Do traits of plant species predict the efficacy of species distribution models for finding new occurrences?
Notice bibliographique
Résumé
Species distribution models (SDMs) are used to test ecological theory and to direct targeted surveys for species of conservation concern. Several studies have tested for an influence of species traits on the predictive accuracy of SDMs. However, most used the same set of environmental predictors for all species and/or did not use truly independent data to test SDM accuracy. We built eight SDMs for each of 24 plant species of conservation concern, varying the environmental predictors included in each SDM version. We then measured the accuracy of each SDM using independent presence and absence data to calculate area under the receiver operating characteristic curve (AUC) and true positive rate (TPR). We used generalized linear mixed models to test for a relationship between species traits and SDM accuracy, while accounting for variation in SDM performance that might be introduced by different predictor sets. All traits affected one or both SDM accuracy measures. Species with lighter seeds, animal-dispersed seeds, and a higher density of occurrences had higher AUC and TPR than other species, all else being equal. Long-lived woody species had higher AUC than herbaceous species, but lower TPR. These results support the hypothesis that the strength of species-environment correlations is affected by characteristics of species or their geographic distributions. However, because each species has multiple traits, and because AUC and TPR can be affected differently, there is no straightforward way to determine a priori which species will yield useful SDMs based on their traits. Most species yielded at least one useful SDM. Therefore, it is worthwhile to build and test SDMs for the purpose of finding new populations of plant species of conservation concern, regardless of these species' traits.
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) | 0,002 | 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 ».