Predicting impacts of agricultural land use on stream and river biota: method review, evaluation, and guidance
Notice bibliographique
Résumé
Predicting land-use and land-management effects on stream and river biota is an important aspect of land-water management, yet there are no collations of what methods are available to carry out those assessments nor guidance on which methods to use. This paper summarises a range of methods with examples of their applications, comments on their strengths and weaknesses, evaluates them against a set of criteria, and provides guidance on method selection. Assessment methods include empirical statistical and mechanistic models, Bayesian networks, likelihood–consequence risk assessments, scoring methods, and hybrid methods, some of which can be informed by expert elicitation. An evaluation matrix for methods indicated that no single method is ideal, and selection of methods needs to carefully consider factors such as the physico-chemical stressor or biotic impact of interest, the intended stakeholders, and the scales of assessment. One emergent principle is the separation of relationships between land use and stressors from assessments of stressors and biota, for which alternative methods could be used. A tiered approach is recommended, whereby simple methods with low resource and time requirements are applied first, followed by more sophisticated methods for selected aspects if needed. There is a need for more ready-made methods at the screening level, as well as development of new methods to address remaining gaps such as multiple stressors.
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 | 0,001 | 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) | 0,000 | 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 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 ».