Improving the predictive capability of benthic species distribution models by incorporating oceanographic data – Towards holistic ecological modelling of a submarine canyon
Notice bibliographique
Résumé
Submarine canyons are associated with increased biodiversity, including cold-water coral (CWC) colonies and reefs which are features of high conservation value that are under increasing anthropogenic pressure. Effective spatial management and conservation of these features requires accurate distribution maps and a deeper understanding of the processes that generate the observed distribution patterns. Predictive distribution modelling offers a powerful tool in the deep sea, where surveys are constrained by cost and technological capabilities. To date, predictive distribution modelling in canyons has focussed on integrating groundtruthed acoustically acquired datasets as proxies for environmental variables thought to influence faunal patterns. Physical oceanography is known to influence faunal patterns but has rarely been explicitly included in predictive distribution models of canyon fauna, thereby omitting key information required to adequately capture the species-environment relationships that form the basis of predictive distribution modelling. In this study, acoustic, oceanographic and biological datasets were integrated to undertake high-resolution predictions of benthic megafaunal diversity and CWC distribution within Whittard Canyon, North-East Atlantic. The main aim was to investigate which environmental variables best predict faunal patterns in canyons and to assess whether including oceanographic data improves predictive modelling. General additive models, random forests and boosted regression trees were used to build predictive maps for CWC occurrence, megafaunal abundance, species richness and biodiversity. To provide more robust predictions, ensemble techniques that summarise the variation in predictions and uncertainties between modelling approaches were applied to build final maps. Model performance improved with the inclusion of oceanographic data. Ensemble maps identified areas of elevated current speed that coincided with steep ridges and escarpment walls as the areas most likely to harbour CWCs and increased biodiversity, probably linked to local hydrodynamics interacting with topography to concentrate food resources. This study shows how incorporating oceanographic data into canyon models can broaden our understanding of processes generating faunal patterns and improve the mapping of features of conservation, supporting effective procedures for spatial ecosystem 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 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».