Predicting aquatic invasion in Adirondack lakes: a spatial analysis of lake and landscape characteristics
Notice bibliographique
Résumé
Abstract Invasive species continue to pose major challenges for managing coupled human–environmental systems. Predictive tools are essential to maximize invasion monitoring and conservation efforts in regions reliant on abundant freshwater resources to sustain economic welfare, social equity, and ecological services. Past studies have revealed biotic and abiotic heterogeneity, along with human activity, can account for much of the spatial variability of aquatic invaders; however, improvements remain. This study was created to (1) examine the distribution of aquatic invasive species richness ( AISR ) across 126 lakes in the Adirondack Region of New York; (2) develop and compare global and local models between lake and landscape characteristics and AISR ; and (3) use geographically weighted regression ( GWR ) to evaluate non‐stationarity of local relationships, and assess its use for prioritizing lakes at risk to invasion. The evaluation index, AISR , was calculated by summing the following potential aquatic invaders for each lake: Asian Clam ( Corbicula fluminea ), Brittle Naiad ( Najas minor ), Curly‐leaf Pondweed ( Potamogeton crispus ), Eurasian Watermilfoil ( Myriophyllum spicatum ), European Frog‐bit ( Hydrocharis morsus‐ranae ), Fanwort ( Cabomba caroliniana ), Spiny Waterflea ( Bythotrephes longimanus ), Variable‐leaf Milfoil ( Myriophyllum heterophyllum ), Water Chestnut ( Trapa natans ), Yellow Floating Heart ( Nymphoides peltata ), and Zebra Mussel ( Dreissena polymorpha ). The Getis‐Ord Gi* statistic displayed significant spatial hot and cold spots of AISR across Adirondack lakes. Spearman's rank (ρ) correlation coefficient test ( r s ) revealed urban land cover composition, lake elevation, relative patch richness, and abundance of game fish were the strongest predictors of aquatic invasion. Five multiple regression global Poisson and GWR models were made, with GWR fitting AISR very well ( R 2 = 76–83%). Local pseudo‐ t ‐statistics of key explanatory variables were mapped and related to AISR , confirming the importance of GWR for understanding spatial relationships of invasion. The top 20 lakes at risk to future invasion were identified and ranked by summing the five GWR predictive estimates. The results inform that inexpensive and publicly accessible lake and landscape data, typically available from digital repositories within local environmental agencies, can be used to develop predictions of aquatic invasion with remarkable agreement. Ultimately, this transferable modeling approach can improve monitoring and management strategies for slowing the spread of invading 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».