Cloudy with a chance of sardines: forecasting sardine distributions using regional climate models
Notice bibliographique
Résumé
Abstract Despite the significant advances in making monthly or seasonal forecasts of weather, ocean hypoxia, harmful algal blooms and marine pathogens, few such forecasting efforts have extended to the ecology of upper trophic level marine species. Here, we test our ability to use short‐term (up to 9 months) predictions of ocean conditions to create a novel forecast of the spatial distribution of Pacific sardine, Sardinops sagax . Predictions of ocean conditions are derived using the output from the Climate Forecast System (CFS) model downscaled through the Regional Ocean Modeling System (ROMS). Using generalized additive models (GAMs), we estimated significant relationships between sardine presence in a test year (2009) and salinity and temperature. The model, fitted to 2009 data, had a moderate skill [area under the curve (AUC) = 0.67] in predicting 2009 sardine distributions, 5–8 months in advance. Preliminary tests indicate that the model also had the skill to predict sardine presence in August 2013 (AUC = 0.85) and August 2014 (AUC = 0.96), 4–5 months in advance. The approach could be used to provide fishery managers with an early warning of distributional shifts of this species, which migrates from the U.S.–Mexico border to as far north as British Columbia, Canada, in summers with warm water and other favorable ocean conditions. We expect seasonal and monthly forecasts of ocean conditions to be broadly useful for predicting spatial distributions of other pelagic and midwater species.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».