Predicting the occurrence of nonindigenous species using environmental and remotely sensed data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To manage or control nonindigenous species (NIS), we need to know where they are located in the landscape. However, many natural areas are large, making it unfeasible to inventory the entire area and necessitating surveys to be performed on smaller areas. Provided appropriate survey methods are used, probability of occurrence predictions and maps can be generated for the species and area of interest. The probability maps can then be used to direct further sampling for new populations or patches and to select populations to monitor for the degree of invasiveness and effect of management. NIS occurrence (presence or absence) data were collected during 2001 to 2003 using transects stratified by proximity to rights-of-way in the northern range of Yellowstone National Park. In this study, we evaluate the use of environmental and remotely sensed (LANDSAT Enhanced Thematic Mapper +) data, separately and combined, for developing probability maps of three target NIS occurrence. Canada thistle, dalmation toadflax, and timothy were chosen for this study because of their different dispersal mechanisms and frequencies, 5, 3, and 23%, respectively, in the surveyed area. Data were analyzed using generalized linear regression with logit link, and the best models were selected using Akaike's Information Criterion. Probability of occurrence maps were generated for each target species, and the accuracies of the predictions were assessed with validation data excluded from the model fitting. Frequencies of occurrence of the validation data were calculated and compared with predicted probabilities. Agreement between the observed and predicted probabilities was reasonably accurate and consistent for timothy and dalmation toadflax but less so for Canada thistle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle