Algae-based Biomonitoring: Predicting Diatom Reference Communities in Unpolluted Streams using Classification Trees, Random Forests, and Artificial Neural Networks
Notice bibliographique
Résumé
Abstract The Eastern Canadian Diatom Index (IDEC) was developed to evaluate the ecological integrity of streams along a pollution gradient, as a function of the dissimilarity between current diatom communities and suitable reference communities. Distinguishing natural variations in community structure from those induced by human activities is essential for proper assessment of dissimilarity. To account for the effect of the natural variation in pH on this assessment, two IDEC subindices were used: one for sites with diatom reference communities typical of naturally alkaline water pH, and another for sites with communities typical of naturally circumneutral water pH. This study used three statistical models, namely classification trees (CT), random forests (RF), and artificial neural networks (ANN) to: (i) identify the environmental variables discriminating between alkaline and neutral reference communities (“biotypes”), and (ii) compare their predictive capacities. Models identified clay rocks, gneiss/paragneiss rocks, siliceous rocks, and carbonated rocks as the main geological features discriminating reference biotypes. For the reference streams, clay, siliceous, and carbonated rocks were associated with high water pH while gneiss/paragneiss rocks were associated with low water pH. Both ANN and RF models behaved similarly across all performance criteria and yielded general models useful for identifying the appropriate IDEC sub-index.
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 | 0,017 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».