Modelling fish physico-thermal habitat selection using functional regression
Notice bibliographique
Résumé
In this paper, a new fish habitat modelling approach is introduced using the full probability density functions (PDF), rather than single measurements or central tendency metrics, to describe each predictor. To model habitat selection using PDFs, functional regression models (FRM) are used to allow for the inclusion of curves or functions (smoothed empirical PDFs) in regression models compared to scalars or vectors in classical contexts. The benefits of FRM are exemplified by comparing results with those obtained using generalized additive models (GAM), one of the most recent and performing models in the field. Abundance of juvenile Atlantic salmon sampled at 26 sites (75 m-long x river width) of the Sainte-Marguerite River (Quebec, Canada) was modelled with PDFs of four potential predictors: flow velocity, water depth, substrate size and water temperature. The latter has been less frequently used in habitat modelling and the results showed that it was the most significant predictor. Overall, FRM explained more of the variability in habitat selection than GAM (+14.9% for fry and +8.1% for 1+ parr), mainly due to their ability to use complete distributions of the habitat variables rather than aggregated values (mean). A leave-one-out cross validation showed that both GAM and FRM had similar performance to predict fish abundance. The use of FRM in fish habitat modelling is innovative and its potential should be further developed, especially in the current context where habitat variables are becoming increasingly easy to obtain due to rapid progress of remote measurement techniques.
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 ».