Identifying and assessing critical uncertainty thresholds in a forest pest risk model.
Notice bibliographique
Résumé
<title>Abstract</title> Pest risk maps can provide helpful decision support for invasive alien species management, but often fail to address adequately the uncertainty associated with their predicted risk values. This chapter explores how increased uncertainty in a risk model's numeric assumptions (i.e. its principal parameters) might affect the resulting risk map. We used a spatial stochastic model, integrating components for entry, establishment and spread, to estimate the risks of invasion and their variation across a two-dimensional gridded landscape for <italic>Sirex noctilio</italic>, a non-native woodwasp detected in eastern North America in 2004. Historically, <italic>S. noctilio</italic> has been a major pest of pine (<italic>Pinus</italic> spp.) plantations in the southern hemisphere. We present a sensitivity analysis of the mapped risk estimates to variation in six key model parameters: (i) the annual probabilities of new <italic>S. noctilio</italic> entries at US and Canadian ports; (ii) the <italic>S. noctilio</italic> population-carrying capacity at a given location; (iii) the maximum annual spread distance; (iv) the probability of local dispersal (i.e. at a distance of 1 km); (v) the susceptibility of the host resource; and (vi) the growth rate of the host trees. We used Monte Carlo simulation to sample values from symmetric uniform distributions defined by a series of nested variability bounds around each parameter's initial values (i.e.±5%, ..., ±50%). The results show that maximum annual spread distance, which governs long-distance dispersal, was the most sensitive of the tested parameters. At±15% uncertainty in this parameter, mapped risk values shifted notably. No other parameter had a major effect, even at wider bounds of variation. The methods presented in this chapter are generic and can be used to assess the impact of uncertainties on the stability of pest risk maps or to identify any geographic areas for which management decisions can be made confidently, regardless of uncertainty.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».