Use of Species Distribution Modeling in the Deep Sea
Notice bibliographique
Résumé
ABSTRACT. In the last two decades the use of species distribution modeling (SDM) for the study and management of marine species has increased dramatically. The availability of predictor variables on a global scale and the ease of use of SDM techniques have resulted in a proliferation of research on the topic of species distribution in the deep sea. Translation of research projects into management tools that can be used to make decisions in the face of changing climate and increasing exploitation of deep-sea resources has been less rapid but necessary. The goal of this workshop was to discuss methods and variables for modeling species distributions in deep-sea habitats and produce standards that can be used to judge SDMs that may be useful to meet management and conservation goals. During the workshop, approaches to modeling and environmental data were discussed and guidelines developed including the desire that 1) environmental variables should be chosen for ecological significance <em>a priori</em>; 2) the scale and accuracy of environmental data should be considered in choosing a modeling method; 3) when possible proxy variables such as depth should be avoided if causal variables are available; 4) models with statistically robust and rigorous outputs are preferred, but not always possible; and 5) model validation is important. Although general guidelines for SDMs were developed, in most cases management issues and objectives should be considered when designing a modeling project. In particular, the trade-off between model complexity and researcher’s ability to communicate input data, modeling method, results and uncertainty is an important consideration for the target audience. RÉSUMÉ. Au cours des deux dernières décennies, le recours à la modélisation de la répartition des espèces pour étudier et gérer les espèces marines a considérablement augmenté. La disponibilité des variables prédictives à l’échelle mondiale et la convivialité de ces techniques de modélisation ont entraîné la multiplication des recherches sur la répartition des espèces en haute mer. La traduction des projets de recherche en outils de gestion pouvant servir à prendre des décisions dans le contexte des changements climatiques et de l’exploitation accrue des ressources en haute mer est moins rapide, quoique nécessaire. Cet atelier visait à discuter des méthodes et variables pour la modélisation de la répartition des espèces dans les habitats en haute mer, et à établir des normes pour évaluer les méthodes de modélisation pouvant aider à atteindre les objectifs en matière de gestion et de conservation. Pendant l’atelier, les approches envers la modélisation et les données environnementales ont fait l’objet de discussions, et des lignes directrices ont été élaborées. Celles-ci comprenaient les caractéristiques souhaitées qui suivent: 1) les variables environnementales devraient être choisies selon leur importance écologique a priori; 2) l’ampleur et l’exactitude des données environnementales devraient être prises en compte durant la sélection d’une méthode de modélisation; 3) dans la mesure du possible, les variables substitutives, comme la profondeur, doivent être évitées si des variables causales sont disponibles; 4) les modèles dont les résultats sont statistiquement solides et rigoureux sont privilégiés, mais leur utilisation n’est pas toujours possible; 5) la validation du modèle est importante. Même si des lignes générales sur la modélisation de la répartition des espèces ont été mises au point, les objectifs et enjeux de gestion devraient généralement être pris en compte pendant la conception d’un projet de modélisation. En particulier, le compromis entre la complexité du modèle et la capacité du chercheur à communiquer les données d’entrée, la méthode de modélisation, les résultats et les incertitudes sont des facteurs importants pour le public cible.
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) | 0,001 | 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 ».