Mapping queen snapper (Etelis oculatus) suitable habitat in Puerto Rico using ensemble species distribution modeling
Notice bibliographique
Résumé
Queen snapper (Etelis oculatus) is of interest from an ecological and management perspective as it is the second most landed finfish species (by total pounds) as determined by Puerto Rico commercial landings (2010-2019). As fishing activities progressively expand into deeper waters, it is critical to gather data on deep-sea fish populations to identify essential fish habitats (EFH). In the U.S. Caribbean, the critically data-deficient nature of this species has made this challenging. We investigated the use of ensemble species distribution modeling (ESDM) to predict queen snapper distribution along the coast of Puerto Rico. Using occurrence data and terrain attributes derived from bathymetric datasets at different resolutions, we developed species distribution models unique to each sampling region (west, northeast, and southeast Puerto Rico) using seven different algorithms. Then, we developed ESDM models to analyze fish distribution using the highest-performing algorithms for each region. Model performance was evaluated for each ensemble model, with all depicting 'excellent' predictive capability (AUC > 0.8). Additionally, all ensemble models depicted 'substantial agreement' (Kappa > 0.7). We then used the models in combination with existing knowledge of the species' range to produce binary maps of potential queen snapper distributions. Variable importance differed across spatial resolutions of 30 m (west region) and 8 m (northeast and southeast region); however, bathymetry was consistently one of the best predictors of queen snapper suitable habitat. Positive detections showed strong regional patterns localized around large bathymetric features, such as seamounts and ridges. Despite the data-deficient condition of queen snapper population dynamics, these models will help facilitate the analysis of their spatial distribution and habitat preferences at different spatial scales. Our results therefore provide a first step in designing long-term monitoring programs targeting queen snapper, and determining EFH and the general distribution of this species in Puerto Rico.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».