USING RANDOM FOREST MODELING TO PREDICT EARTHWORM DISTRIBUTION IN THE OTTAWA NATIONAL FOREST
Notice bibliographique
Résumé
Our study applies the machine learning method, Random Forest (RF), to understand distribution patterns and predictive powers of environmental variables determining earthworm occurrence in northern hardwood forests of the Great Lakes region. In our study we found earthworm species: Dendrobaena octaedra (Savigny), Lumbricus rubellus (Hoffmeister), Lumbricus terrestris (L.), Aporrectodea rosea (Saigny), Aporrectodea calignosa (Saigny), and Aporrectodea tuberculata (Eisen). Presence/absence data of L. terrestris were used in predictive distribution modeling for the Ottawa National Forest in the Upper Peninsula of Michigan based on the following Geographic Information Systems (GIS) variables: forest cover type, soil texture, soil pH, and distance from roads. Random Forest results were successful in producing models with high predictive accuracies and stable environmental variables when predicting L. terrestris occurrence. Deciduous cover type contributed the most to the outcome of the RF models, followed by soil texture, distance from roads and soil pH. The effectiveness of this approach in modeling earthworm distribution could be the first step in leading a large-scale predictive modeling effort to determine earthworm distribution for all of the Great Lakes region and other northern hardwood forest ecosystems. Having this insight would advance forest management efforts and regional studies addressing earthworm ecological effects.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».