Advances in Understanding Landscape Influences on Freshwater Habitats and Biological Assemblages
Notice bibliographique
Résumé
<i>Abstract.</i>—Over the past decade, numerous studies have identified correlative relationships between aquatic biota and human activities at landscape scales. In addition to demonstrating the pervasive effects of these activities on aquatic biota, these findings have encouraged researchers to suggest that predictive relationships between human activities and aquatic biota could be used to enhance diagnostic power of biological assessments, predict future changes in species distributions, and inform land-use planning. However, to achieve these important goals, descriptions of human activities will need to become more detailed than the simple land use/land cover classifications frequently used. Our purpose is to highlight four sources of human activity data (existing geographic information system layers, census data, remotely sensed images, and visual landscape surveys) that can be used to increase the level of detail with which the human environment is described. Strengths and weaknesses of each data source are discussed and methods for adapting those data to aquatic studies are described by drawing on experiences from studies in the agricultural landscapes of southern Manitoba and southwestern Ontario, Canada. Based on the observations and lessons learned from our previous experiences, we make recommendations for how researchers can identify and apply the data sources that best meet their needs. We also discuss challenges and possible solutions for applying the described data sources as well as for improving data availability in the future. Moreover, we encourage aquatic researchers to allot more time to detailed description of human activities because we believe this to be an effective approach to improving our ability to predict the effects of human activity and thus better assist decision makers in protecting aquatic ecosystems.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,004 |
| 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) | 0,001 | 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 ».