Good Practices for Species Distribution Modeling of Deep-Sea Corals and Sponges for Resource Management: Data Collection, Analysis, Validation, and Communication
Notice bibliographique
Résumé
Resource managers in the United States and worldwide are tasked with identifying and mitigating trade-offs between human activities in the deep sea (e.g., fishing, energy development, and mining) and their impacts on habitat-forming invertebrates, including deep-sea corals and sponges (DSCS). Related management decisions require information about where DSCS occur and in what densities. Species distribution modeling (SDM) provides a cost-effective means of identifying potential DSCS habitat over large areas to inform these management decisions and data collection. Here we describe good practices for DSCS SDM, especially in the context of data collection and management applications. Managers typically need information regarding DSCS encounter probabilities, densities, and sizes, defined at sub-regional to basin-wide scales and validated using subsequent, targeted data collections. To realistically achieve these goals, analysts should integrate available data sources in SDMs including fine-scale visual sampling and broad-scale resource surveys (e.g., fisheries trawl surveys), include environmental predictor variables representing multiple spatial scales, model residual spatial autocorrelation, and quantify prediction uncertainty. When possible, models fitted to presence-absence and density data are preferred over models fitted only to presence data, which are difficult to validate and can confound estimated probability of occurrence or density with sampling effort. Ensembles of models can provide robust predictions, while multi-species models leverage information across taxa and facilitate community inference. To facilitate the use of models by managers, predictions should be expressed in units that are widely understood and validated at an appropriate spatial scale using a sampling design that provides strong statistical inference. We present three case studies for the Pacific Ocean that illustrate good practices with respect to data collection, modeling, and validation; these case studies demonstrate it is possible to implement our good practices in real-world settings.
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 | 0,090 | 0,217 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,005 |
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 ».