Influence of artefacts in marine digital terrain models on habitat maps and species distribution models: a multiscale assessment
Notice bibliographique
Résumé
Abstract Remote sensing techniques are currently the main methods providing elevation data used to produce Digital Terrain Models ( DTM ). Terrain attributes ( e.g . slope, orientation, rugosity) derived from DTM s are commonly used as surrogates of species or habitat distribution in ecological studies. While DTM s’ errors are known to propagate to terrain attributes, their impact on ecological analyses is however rarely documented. This study assessed the impact of data acquisition artefacts on habitat maps and species distribution models. DTM s of German Bank (off Nova Scotia, Canada) at five different spatial scales were altered to artificially introduce different levels of common data acquisition artefacts. These data were used in 615 unsupervised classifications to map potential habitat types based on biophysical characteristics of the area, and in 615 supervised classifications (MaxEnt) to predict sea scallop distribution across the area. Differences between maps and models built from altered data and reference maps and models were assessed. Roll artefacts decreased map accuracy (up to 14% lower) and artificially increased models’ performances. Impacts from other types of artefacts were not consistent, either decreasing or increasing accuracy and performance measures. The spatial distribution of habitats and spatial predictions of sea scallop distributions were always affected by data quality ( i.e . artefacts), spatial scale of the data, and the selection of variables used in the classifications. This research demonstrates the importance of these three factors in building a study design, and highlights the need for error quantification protocols that can assist when maps and models are used in decision‐making, for instance in conservation and management.
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) | 0,000 | 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 ».