Predicting riverine fish production using empirical models and the metabolic theory of ecology
Notice bibliographique
Résumé
Abstract Fish production integrates many different measures of community performance, such as abundance, biomass, growth, and reproduction, into one valuable quantitative metric but requires resource intensive data for empirical estimation. While published empirical models and the metabolic theory of ecology (MTE) represent alternative methods to estimate fish production, few studies have focused on productivity models for stream fish assemblages. The goal of our study was to determine whether existing empirical models and elements of the metabolic theory of ecology can reliably estimate stream fish productivity. We used production estimates from the literature (n = 107) to parameterize models based on the metabolic theory of ecology and new estimates of stream fish production from North America (n = 78) to compare and validate all models. Using major axis regression, we determined that while all models had strongly correlated production estimates relative to the observed values (r2 range: [0.496, 0.815]), not all the models produced accurate estimates. The MTE model with the temperature component had a poorer predictive performance (RMSE = 0.502) relative to models based solely on allometric scaling (RMSE range: [0.299, 0.380]). We conclude that standard production models can generate relative estimates of production using general fish sample data, however, the accuracy and precision of the estimates can vary among the models. Our study highlights the need for productivity estimates for stream fish assemblages from different geographic regions, to test empirical models with novel datasets, and for further investigation of temperature effects on fish productivity.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 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 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 ».