Factors affecting the presence of Arctic charr in streams based on a jittered binary genetic programming model
Notice bibliographique
Résumé
Arctic charr is one of the fish species most sensitive to climate change but studies on their freshwater habitat preferences are limited, especially in the fluvial environment. Machine learning methods offer automatic and objective models for ecohydrological processes based on observed data. However, i) the number of ecological records is often much smaller than hydrological observations, and ii) ecological measurements over the long-term are costly. Consequently, ecohydrological datasets are scarce and imbalanced. To address these problems, we propose jittered binary genetic programming (JBGP) to detect the most dominant ecohydrological parameters affecting the occurrence of Arctic charr across tributaries within the large subarctic Teno River catchment, in northernmost Finland and Norway. We quantitatively assessed the accuracy of the proposed model and compared its performance with that of classic genetic programming (GP), decision tree (DT) and state-of-the-art jittered-DT methods. The JBGP achieves the highest total classification accuracy of 90% and a Heidke skill score of 78%, showing its superiority over its counterparts. Our results showed that the dominant factors contributing to the presence of Arctic charr in Teno River tributaries include i) a higher density of macroinvertebrates, ii) a lower percentage of mires in the catchment and iii) a milder stream channel slope.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,002 | 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 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 ».