Validation of a sea lice dispersal model: principles from ecological agent-based models applied to aquatic epidemiology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sea lice are one of the most economically costly and ecologically concerning problems facing the salmon farming industry. Here, we validated a coupled biological and physical model that simulated sea lice larvae dispersal from salmon farms in the Broughton Archipelago (BA), British Columbia, Canada. We employed a concept from ecological agent-based modeling known as ‘pattern matching’, which identifies similar emergent properties in both the simulated and observed data to confirm that the simulation contained sufficient complexity to recreate the emergent properties of the system. One emergent property from the biophysical simulations was the existence of sub-networks of farms. These were also identified in the observed sea lice count data in this study using a space-time scan statistic (SaTScan) to identify significant spatio-temporal clusters of farms. Despite finding support for our simulation in the observed data, which consisted of over a decade’s worth of monthly sea lice abundance counts from salmon farms in the BA, the validation was not entirely straightforward. The complexities associated with validating this biophysical dispersal simulation highlight the need to further develop validation techniques for agent-based models in general, and biophysical simulations in particular, which often result in patchiness in their dispersal fields. The methods utilised in this validation could be adopted as a template for other epidemiological dispersal models, particularly those related to aquaculture, which typically have robust disease monitoring data collection plans in place.
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.
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) | 0,004 | 0,003 |
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 découle