Using Bayesian networks to map winter habitat for mountain goats in coastal British Columbia, Canada
Notice bibliographique
Résumé
The mountain goat ( Oreamnos americanus ) is an iconic wildlife species of western North America that inhabits steep and largely inaccessible terrain in remote areas. They are at risk from human disturbance, genetic isolation, climate change, and a variety of other stressors. Managing populations is challenging and mountain goats are particularly difficult and expensive to inventory. As a result, biologists often rely on models to estimate the species’ abundance and distribution in remote areas. We used landscape characteristics evident at point locations of mountain goat visual observations, tracks, and telemetry locations, along with random locations, to learn the structure and parameters of a Bayesian network that predicted the suitability of habitats for mountain goats. We then used the model to map habitat suitability across 285,000 km 2 of potential habitat in mountain ranges of the south and central Canadian Pacific coast. Steep slopes, forest cover characteristics, and snow depth were the important drivers. Modeling the system as a Bayesian network provided several advantages over more common regression methods because input variables were heterogenous (i.e., a mix of discrete and continuous), autocorrelated, and animals exhibited non-linear responses to landscape conditions. These common characteristics of ecological data routinely violate the assumptions of parametric linear models, which are commonly used to map habitat suitability from animal observations.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».