Predicting distributions, habitat preferences and associated conservation implications for a genus of rare fishes, seahorses (<i>Hippocampus</i> spp.)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aim To identify useful sources of species data and appropriate habitat variables for species distribution modelling on rare species, with seahorses as an example, deriving ecological knowledge and spatially explicit maps to advance global seahorse conservation. Location The shallow seas. Methods We applied a typical species distribution model ( SDM ), maximum entropy, to examine the utility of (1) two versions of habitat variables (habitat occurrences vs. proximity to habitats) and (2) three sources of species data: quality research‐grade ( RG ) data, quality‐unknown citizen science ( CS ) and museum‐collection ( MC ) data. We used the best combinations of species data and habitat variables to predict distributions and estimate species–habitat relations and threatened status for seahorse species. Results We demonstrated that using “proximity to habitats” and integrating all species datasets ( RG , CS and MC ) derived models with the highest accuracies among all dataset variations. Based on this finding, we derived reliable models for 33 species. Our models suggested that only 0.4% of potential seahorse range was suitable to more than three species together; seahorse biogeographic epicentres were mainly in the Philippines; and proximity to sponges was an important habitat variable. We found that 12 “Data Deficient” species might be threatened based on our predictions according to IUCN criteria. Main conclusions We highlight that using proper habitat variables (e.g., proximity to habitats) is critical to determine distributions and key habitats for low‐mobility animals; collating and integrating quality‐unknown occurrences (e.g., CS and MC ) with quality research data are meaningful for building SDM s for rare species. We encourage the application of SDM s to estimate area of occupancy for rare organisms to facilitate their conservation status assessment.
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.
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 | 0,002 | 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 découle