Climate‐informed models benefit hindcasting but present challenges when forecasting species–habitat associations
Notice bibliographique
Résumé
Although species distribution models (SDMs) are commonly used to hindcast fine‐scale population metrics, there remains a paucity of information about how well these models predict future responses to climate. Many conventional SDMs rely on spatially‐explicit but time‐invariant conditions to quantify species distributions and densities. We compared these status quo ‘static' models with more climate‐informed 'dynamic' SDMs to assess whether the addition of time‐varying processes would improve hindcast performance and/or forecast skill. Here, we present two groundfish case studies from the Bering Sea – a high latitude system that has recently undergone considerable warming. We relied on conventional statistics (R 2 , % deviance explained, UBRE or GCV) to evaluate hindcast performance for presence–absence, numerical abundance and biomass of arrowtooth flounder Atheresthes stomias and walleye pollock Gadus chalcogrammus . We then used retrospective skill testing to evaluate near‐term forecast skill. Retrospective skill testing enables direct comparisons between forecasts and observations through a process of fitting and forecasting nested submodels within a given time series. We found that the inclusion of time‐varying covariates improved hindcasts. However, dynamic models either did not improve or decreased forecast skill relative to static SDMs. This is likely a result of rapidly changing temperatures within the ecosystem, which required models to predict species responses to environmental conditions that were outside the range of observed values. Until additional model development allows for fully dynamic predictions, static model forecasts (or persistence forecasts from dynamic models) may serve as reliable placeholders, especially when anomalous conditions are anticipated. Nonetheless, our findings demonstrate support for the use of retrospective skill testing rather than selecting forecast models a priori based on their ability to quantify species–habitat associations in the past.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,010 | 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 ».