Optimizing the location of watercraft inspection stations to slow the spread of aquatic invasive species
Notice bibliographique
Résumé
Abstract The accidental spread of aquatic invasive species (AIS) by recreational boaters is a major concern of state and county environmental planners in the USA. While programs for watercraft inspection to educate boaters and slow AIS spread are common practice, large numbers of boats and waterbodies, together with limited budgets, make program design difficult. To facilitate program design, we developed an integer programming model for allocation of scarce inspection resources among lakes. Our model uses species-specific infestation status of lakes and estimates of boat movement between lakes. The objective is to select lakes for inspection stations to maximize the number of risky boats inspected, where risky boats are ones that move from infested to uninfested lakes. We apply our model in Stearns County in central Minnesota, USA, to prioritize lakes for inspection stations and evaluate alternative management objectives. With an objective of protecting uninfested lakes within and outside Stearns County, the optimal policy is to locate stations at infested lakes having the most boats departing for uninfested lakes inside and outside the county. With an objective of protecting only Stearns County lakes, the optimal policy is to locate stations at both infested and uninfested lakes having the riskiest boats arriving from within and outside the county and departing to in-county lakes. The tradeoff between these objectives is significant.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».