Coupling state‐of‐the‐art modelling tools for better informed Red List assessments of marine fishes
Notice bibliographique
Résumé
Abstract In the face of biodiversity loss worldwide, it is paramount to quantify species' extinction risk to guide conservation efforts. The International Union for the Conservation of Nature (IUCN)'s Red List is considered the global standard for evaluating extinction risks. IUCN criteria also inform national extinction risk assessments. Bayesian models, including the state‐of‐the‐art JARA (‘Just Another Red List Assessment’) tool, deliver probabilistic statements about species falling into extinction risk categories, thereby enabling characterisation and communication of uncertainty in extinction risk assessments. We coupled the state‐of‐the‐art VAST (‘Vector Autoregressive Spatio‐Temporal’) modelling tool and JARA, for better informed Red List assessments of marine fishes. In this framework, VAST is fitted to scientific survey catch rate data to provide indices to JARA whose uncertainty is propagated to JARA outcomes suggesting extinction risk categories (under the population reduction criterion). In addition, VAST delivers a valuable habitat assessment to better understand what may be driving extinction risk in the study region. Here, we demonstrate the coupled VAST‐JARA modelling framework by applying it to five contrasting North Sea species, with or without a quantitative stock assessment and with different conservation statuses according to the latest global Red List assessments. The North Sea application coupled with previous assessments and studies suggest that, among the three elasmobranchs, starry ray is in most need of urgent research (and conservation actions where appropriate), followed by spurdog, while lesser‐spotted dogfish is increasing in biomass. Moreover, both the VAST‐JARA modelling framework and previous research indicate that, while European plaice is not of conservation concern, cod has likely met the IUCN criteria for being listed as Endangered recently. Synthesis and applications . The predictions of the VAST‐JARA modelling framework for North Sea species, including JARA output and VAST habitat assessment, constitute valuable supporting information to make interpretations based on Red List guidelines, which will help decision‐makers in their next North Sea Red List assessment. We foresee applications of the modelling framework to assist Red List assessments of numerous marine fishes worldwide. Our modelling framework has many potential advantageous uses, including informing resource management about climate change impacts on species' extinction risks.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».