Mapping the Future: Revealing Habitat Preferences and Patterns of the Endangered Chilean Dolphin in Seno Skyring, Patagonia
Notice bibliographique
Résumé
Species distribution modeling helps understand how environmental factors influence species distribution, creating profiles to predict presence in unexplored areas and assess ecological impacts. This study examined the habitat use and population ecology of the Chilean dolphin in Seno Skyring, Chilean Patagonia. We used three models-random forest (RF), generalized linear model (GLM), and artificial neural network (ANN)-to predict dolphin distribution based on environmental and biotic data like water temperature, salinity, and fish farm density. Our research has determined that the RF model is the most precise tool for predicting the habitat preferences of Chilean dolphins. The results indicate that these dolphins are primarily located within six kilometers of the coast, strongly correlating with areas featuring numerous fish farms, sheltered waters close to the shore with river inputs, and shallow productive zones. This suggests a potential association between dolphin presence and fish-farming activities. These findings can guide targeted conservation measures, such as regulating fish-farming practices and protecting vital coastal areas to improve the survival prospects of the Chilean dolphin. Given the extensive fish-farming industry in Chile, this research highlights the need for greater knowledge and comprehensive conservation efforts to ensure the species' long-term survival. By understanding and mitigating the impacts of fish farming and other human activities, we can better protect the habitat and well-being of Chilean dolphins.
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 | 0,001 |
| 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 ».