Using cumulative human‐impact models to reveal global threat patterns for seahorses
Notice bibliographique
Résumé
Understanding threats acting on marine organisms and their conservation status is vital but challenging given a paucity of data. We studied the cumulative human impact (CHI) on and conservation status of seahorses (Hippocampus spp.)-a genus of rare and data-poor marine fishes. With expert knowledge and relevant spatial data sets, we built linear-additive models to assess and map the CHI of 12 anthropogenic stressors on 42 seahorse species. We examined the utility of indices of estimated impact (impact of each stressor and CHI) in predicting conservation status for species with random forest (RF) models. The CHI values for threatened species were significantly higher than those for nonthreatened species (category based on International Union for Conservation of Nature Red List). We derived high-accuracy RF models (87% and 96%) that predicted that 5 of the 17 data-deficient species were threatened. Demersal fishing practices with high bycatch and pollution were the best predictors of threat category. Major threat epicenters were in China, Southeast Asia, and Europe. Our results and maps of CHI may help guide global seahorse conservation and indicate that modeling and mapping human impacts can reveal threat patterns and conservation status for data-poor species. We found that for exploring threat patterns of focal species, species-level CHI models are better than existing ecosystem-level CHI models.
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 ».