Combining expert‐based and computational approaches to design protected river networks under climate change
Notice bibliographique
Résumé
Abstract Aim Estimate the current and future distribution of brown trout and identify priority areas for conservation of the species. Location Rhône River basin and Mediterranean streams. Methods We first developed a spatially explicit species distribution model to estimate the current and future distribution of brown trout for three time horizons (2030, 2055 and 2080) and two climate change scenarios (RCP 4.5 and RCP 8.5). We then performed a prioritization analysis to identify priority areas for brown trout conservation, accounting for: (a) spatial dependencies along the riverine system, (b) several sources of uncertainty arising from climate‐related forecasts and (c) different protected area scenarios by comparing hypothetical, optimal protected networks to an actual protected network designed by regional fish experts. Results Future projections of brown trout densities exhibited a general trend towards a gradual range contraction, with a significant risk of extirpation across mountainous regions of low to mid‐elevation. Overall, the projected current and future distributions were well‐covered by the existing protected network. In addition, up to 70% of the river reaches included in this expert‐based protection network were also priorities in the optimal priority set (e.g. the best set of areas to maximize biodiversity protection). Finally, a large proportion of these reaches were invariably identified regardless of climate change scenarios and uncertainties or spatial dependencies. Main conclusions Our analytical approach highlighted priority areas for brown trout conservation which were robust to a set of climate and connectivity assumptions. This core priority network could be further refined by taking into account key fine‐scale processes like thermal refugia. Therefore, we advocate for combining computational and expert‐based approaches in conservation planning of riverine ecosystems to achieve a relevant consensus between regional‐scale management and fine‐grain ecological knowledge.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».