Predicting the optimal amount of time to spend learning before designating protected habitat for threatened species
Notice bibliographique
Résumé
Abstract Deciding when to protect threatened species habitat when complete knowledge about the habitat extent is uncertain is a common problem in conservation. More accurate habitat mapping improves conservation outcomes once that habitat is protected. However, delaying protection to improve accuracy can lead to species decline or, at worst, local extinction when threats to that habitat continue unabated before protection is implemented. Hence, there is a trade‐off between gaining knowledge and taking conservation action. We quantified this trade‐off and determined the optimal time to spend learning about a species' habitat before protecting that habitat. We used a range of hypothetical learning curves to model improvements in the accuracy of predicted habitat over time, and receiver operating characteristic (ROC) curves to model the corresponding increase in the proportion of habitat protected. We used rates of habitat loss to model the impact of delaying habitat protection and derived analytical solutions to the problem for different types of learning curves. We illustrate our approach using two threatened species, the koala Phascolarctos cinereus in Australia and northern abalone Haliotis kamtschatkana in Canada. Our approach confirms that when impacts of threatening processes are incurred rapidly, the need for timely protection is high, and the optimal time to spend learning is short for all learning curves. When the rate of habitat loss is low, we benefit from better habitat identification, and the optimal time to protect is sensitive to assumptions about how we learn and the proportion of non‐habitat we are willing to protect unnecessarily. Navigating the trade‐off between information gain and timely action is a common problem in conservation. By optimizing the trade‐off between the benefits of improving mapping accuracy and the costs of delaying protection, we provide guidelines on the effective allocation of resources between habitat identification and habitat protection. Importantly, by explicitly modelling this trade‐off with a range of learning curves and estimates of the rates of habitat loss or other threatening processes, we can predict the optimal time to spend learning even when relatively little is known about a species and its habitat.
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 | 0,001 | 0,010 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».