Comparing spatiotemporal species distribution models: A case study of a Scotian Shelf sea cucumber (<i>Cucumaria frondosa</i>)
Notice bibliographique
Résumé
Abstract Numerous spatiotemporal species distribution modeling frameworks are now available to the ecological practitioner. This study compared three such frameworks accessible in the R programming language: generalized additive models with spatiotemporal smooths as implemented by mgcv, spatiotemporal generalized linear mixed models based on nearest neighbor Gaussian processes as implemented by starve, and spatiotemporal generalized linear mixed models based on the stochastic partial differential equations approach as implemented by sdmTMB. The primary focus was to compare the inferences obtained from applying these frameworks to the case study of the orange‐footed sea cucumber, Cucumaria frondosa , on the Scotian Shelf off Nova Scotia, Canada. Each model was fit to catch data (2000–2019) from Fisheries and Oceans Canada's annual Research Vessel and Snow Crab surveys. Environmental covariates were sourced from high‐resolution data layers, including physical oceanographic, bathymetric, and seafloor morphometric datasets. The three models captured variability in sea cucumber distribution that would have been overlooked without a spatiotemporal approach. Although their predictions were similar, including within C. frondosa spatial reserves, the models provided different inferences regarding covariate effects. This suggests that while practitioners primarily interested in mapping species distributions need only apply the most familiar framework, those most concerned with identifying predictive environmental covariates may benefit from comparing the output from multiple approaches. Employing multiple approaches can also serve as a validation technique.
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) | 0,071 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».