Habitat suitability modeling from empirical data : application to mule deer in the interior of British Columbia
Notice bibliographique
Résumé
Habitat suitability modeling has both strengths and weaknesses as a land management tool. Its utility is highly dependent on the ecological interactions and spatial and temporal scales that are pertinent to land management concerns and the species of interest. To maximize the usefulness of mathematical habitat suitability models, it is important that they are constructed using all the reliable a priori information available, and selected using a method that consistently selects models of an appropriate level of complexity. Application is exemplified here to produce winter and summer habitat suitability models for mule deer (Odocoileus hemionus) in young, intensively managed lodgepole pine (Pinus contorta) stands in the interior of British Columbia. The building of all models likely to have good explanatory power was informed by a comprehensive literature review of mule deer habitat requirements. After models were built, multivariate correlations between predictor variables and the dependent variable of standardized pellet-group densities were analyzed to ensure that no strong and sensible relationships suggested by the data were left out of the model set. Akaike's Information Criterion (AIC) was used for model selection, as it is currently the best readily available model selection criterion when 'truth' is of near-infinite complexity. To improve robustness of inference and prediction error estimates, final models are produced as AIC weighted averages of the models most strongly supported by the data. Although models should ideally be validated using independent data, error was estimated here based on the same data used for model fitting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».