Exploring non-stationary and scale-dependent relationships between walleye (Sander vitreus) distribution and habitat variables in Lake Erie
Notice bibliographique
Résumé
Global regression techniques that assume spatial stationarity are usually used to study the interaction between aquatic species distribution and habitat variables. In the present study, a local regression model, named geographically weighted regression (GWR), was used to question the spatial stationarity assumption in exploring the relationships between walleye (Stizostedion vitreum) distribution and habitat variables in Lake Erie. The GWR model resulted in a significant improvement of model performance over the two global linear and non-linear regression methods (a generalised least-squares (GLS) model and a generalised additive mixed model (GAMM)), accounting for residual spatial autocorrelation using the same response and explanatory variables as in the GWR model. The values of local regression coefficients from the GWR model changed among spatial locations significantly, implying spatially varying and scale-dependent relationships between walleye distribution and habitat variables. The k-means cluster analyses based on the t-values of local regression coefficients of GWR model characterised special zones of species–environment relationships of walleye in Lake Erie. In conclusion, spatial stationarity needs to be questioned in studying the relationships between aquatic species distribution and habitat variables and a non-stationary approach, such as GWR, is recommended as a complementary tool.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».