BAM Generalized National Models Documentation, Version 4.0
Notice bibliographique
Résumé
A generalized modeling framework for spatially extensive species abundance prediction and population estimation In the face of rapid environmental change, spatially explicit estimates of species abundance and distribution are needed to inform conservation planning and management decisions across a range of spatial scales. We present a generalized modeling framework bridging the gap between local studies and regional to national management needs by compiling and harmonizing data from many sources to predict avian abundance at a fine resolution and broad extent. We first applied detectability offsets to integrate avian point-count data from a large collection of research and monitoring projects across the entire breadth of subarctic Canada (>250,000 unique sampling locations). We then subsampled the data by two time periods and sixteen geographic regions and developed boosted regression trees to model the density of 143 boreal landbird species as a function of environmental covariates representing climate, local- (250 m) and landscape-level (up to ~1.5 km) vegetation composition, land cover, and topography. Finally, bootstrapped model predictions for each region were combined to generate predictive density maps, habitat- and region-specific density estimates, and Canada-wide population estimates. Our models estimated a total of approximately 3.56 billion breeding males (7.13 billion individuals) across subarctic Canada, with the majority breeding in boreal and hemi-boreal regions. Forest generalist species made up nearly half of this estimate (1.57 billion breeding males), followed by boreal forest specialist species (1.05 billion), habitat generalists (350 million), and species associated with eastern forests (274 million), grasslands (124 million), western forests (74.7 million), wetlands (63.5 million), and Arctic tundra (17.7 million). Introduced species comprised 48.9 million breeding males. An analysis of variable importance showed that, across species, most of the variation in bird abundance was explained by landscape-level vegetation composition, suggesting that the effect of climate on bird abundance is mostly indirect, via vegetation, but that landscape-level variables are needed to capture this variation. Model classification accuracy was highest from a habitat perspective for forest- and grassland-associated species (lowest for mountain- and urban-associated species); and for Regulidae and Phasianidae from a taxonomic perspective (lowest for Bombycillidae and Paridae). In developing these models, we created a standardized, updatable, and reproducible workflow that can be used to update these analytical products and improve their utility for conservation and management planning. This data set contains: Reproducible code for the modeling approach based on Source code for the website at based on Data and image assets for the website based on Please note, in late March 2025, we discovered a systematic error in the offsets used in these models, and have since updated the products to correct that error. For more information, please see the repository for further details or email for assistance.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,135 | 0,054 |
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 ».