Trait‐based vulnerability reveals hotspots of potential impact for a global marine invader
Notice bibliographique
Résumé
Predation from the invasive Indo-Pacific lionfish is likely to amplify declines in marine fishes observed in multiple ocean basins. As the invasion intensifies and expands, there is an urgent need to identify species that are most at risk for extirpation-and possible extinction-from this added threat. To address this gap and inform conservation plans, we develop and apply a quantitative framework for classifying the relative vulnerability of fishes based on morphological and behavioural traits known to influence susceptibility to lionfish predation (e.g. body shape, water column position and aggregation behaviour), habitat overlap with lionfish, and degree of geographic range restriction. Applying the framework to fishes across the invaded Caribbean Sea and ahead of the invasion front in the southwestern Atlantic revealed the identity of at least 77 fishes with relatively small ranges that are likely to be most affected by lionfish predation. Trait-based vulnerability scores significantly predict the probability of fishes appearing within the diets of lionfish across the invaded region. Spatial richness analyses reveal hotspots of vulnerable species in the Bahamas, Belize and Curaçao. Crucially, our framework identifies 29 vulnerable fishes endemic to Brazil, which has not yet been colonized by lionfish. Of these, we suggest reefs around offshore island groups occupied by a dozen highly vulnerable and range-restricted species as priorities for intervention should lionfish spread to the region. Observations of the rate of lionfish spread across the invaded range suggest that an average of 5 years (with a median of nearly 2 years) elapses from first sighting to maximum observed densities. This lag may allow managers to mobilize plans to suppress lionfish ahead of an invasion front in priority locations. Our framework also provides a method for assessing the relative vulnerability of cryptobenthic and/or deep-reef fishes, for which population-monitoring data are limited.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».