Notice bibliographique
Résumé
Species distribution models (SDMs) use spatial relationships between species occurrence and habitat (predictor) variables to generate maps of habitat suitability across a region of interest. These maps are frequently used in recovery planning efforts for endangered species, but they are influenced by data availability, selection of predictor variables, and choice of model type. Ground validation is necessary to robustly evaluate map accuracy, but it is rarely done, making it difficult to determine which modeling approach is best-suited for a given species or region. To address this uncertainty, we used two SDM types (Maxent and GLM) and two methods of selecting predictor variables to build four SDMs for an endangered prairie butterfly (Dakota skipper, Hesperia dacotae) in two regions of Manitoba, Canada. We then conducted field-based habitat suitability assessments at 120 locations in each region to enable direct comparisons of model output and accuracy. We found that soil type and surrounding landcover (grassland versus cropland) were important predictors of species occurrence regardless of region, predictor selection method, or model type. Cross-validation statistics indicated that most SDMs performed well (AUC > 0.7), but ground validation revealed that the habitat suitability maps they generated were inaccurate (Cohen's kappa < 0.4). Maxent models produced more accurate maps than GLMs, likely because false species absences adversely affected the latter, but only one Maxent-based map was accurate enough to help locate sites for future field investigations (Cohen's kappa > 0.3). Our results emphasize the importance of ground-validating SDM-based habitat suitability maps before incorporating them into species recovery plans.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».