Scale mismatches between predictor and response variables in species distribution modelling: A review of practices for appropriate grain selection
Notice bibliographique
Résumé
There is a lack of guidance on the choice of the spatial grain of predictor and response variables in species distribution models (SDM). This review summarizes the current state of the art with regard to the following points: (i) the effects of changing the resolution of predictor and response variables on model performance; (ii) the effect of conducting multi-grain versus single-grain analysis on model performance; and (iii) the role of land cover type and spatial autocorrelation in selecting the appropriate grain size. In the reviewed literature, we found that coarsening the resolution of the response variable typically leads to declining model performance. Therefore, we recommend aiming for finer resolutions unless there is a reason to do otherwise (e.g. expert knowledge of the ecological scale). We also found that so far, the improvements in model performance reported for multi-grain models have been relatively low and that useful predictions can be generated even from single-scale models. In addition, the use of high-resolution predictors improves model performance; however, there is only limited evidence on whether this applies to models with coarser-resolution response variables (e.g. 100 km 2 and coarser). Low-resolution predictors are usually sufficient for species associated with fairly common environmental conditions but not for species associated with less common ones (e.g. common vs rare land cover category). This is because coarsening the resolution reduces variability within heterogeneous predictors and leads to underrepresentation of rare environments, which can lead to a decrease in model performance. Thus, assessing the spatial autocorrelation of the predictors at multiple grains can provide insights into the impacts of coarsening their resolution on model performance. Overall, we observed a lack of studies examining the simultaneous manipulation of the resolution of predictor and response variables. We stress the need to explicitly report the resolution of all predictor and response variables.
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) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».