Is my model fit for purpose? Validating a population model for predicting freshwater fish responses to flow management
Notice bibliographique
Résumé
Abstract Models based on ecological processes (process‐explicit models) are often used to predict ecosystem responses to environmental changes or management scenarios. However, models are imperfect and need to be validated, ideally by testing their assumptions and outputs against independent empirical data sets. Examples of validation of process‐explicit models are rare. Recently, stochastic population models have been developed to predict the likely responses (over 10–120 years) of a riverine fish (golden perch, Macquaria ambigua ) to flow management in the Murray–Darling Basin (MDB) in eastern Australia, one of the world's most regulated river basins. Declines in golden perch (and other species) are a direct consequence of altered hydrology, and managers require information to predict how fish will respond to possible future hydrological conditions to guide substantial investments in flow management. Here, we use two independent field data sets to validate our population model. We compared model predictions to observed trends to ask: (1) How do predicted population sizes and growth rates compare with observed data? (2) Does the correlation between predicted and observed population sizes and growth rates vary among populations? (3) Does the correlation between predicted and observed population sizes and growth rates vary across observed hydrological conditions? (4) How do modeled and observed fish movement rates compare? We found reasonable correlations between fish population sizes and growth rates as predicted by the model and observed in independent data sets for several populations (Aim 1), but the strength of these correlations varied among populations (Aim 2) and hydrological conditions (Aim 3). Predicted and observed fish movement rates were strongly correlated (Aim 4). Population models are frequently used in conservation decision‐making but are rarely validated. We demonstrate that: (1) validation can identify model strengths and weaknesses; (2) observed data sets often have inherent limitations that can preclude robust validations; (3) validation is likely to be more common if appropriate observed data sets are available; and (4) validation should consider the purpose of modeling. Wider consideration of these messages would contribute to more critical examinations of models, so they can be most appropriately used in conservation decision‐making.
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 | 0,000 |
| 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 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 ».