Using an ensemble approach to predict habitat of Dusky Grouse ( Dendragapus obscurus ) in Montana, USA
Notice bibliographique
Résumé
Dusky Grouse (Dendragapus obscurus) are an under-monitored game species in Montana and elsewhere across their distribution. Without population monitoring it is difficult to establish appropriate harvest regulations or understand the impact of environmental disturbances (e.g., timber harvest, climate change) on populations. As a first step toward developing methods for unbiased population monitoring, we must identify appropriate sampling sites, which requires knowledge of Dusky Grouse habitat. Our goal was to explore relationships between Dusky Grouse use and habitat characteristics, and then generate a state-wide map predicting Dusky Grouse habitat in Montana using two methods: resource selection functions and random forest classifiers. The Integrated Monitoring in Bird Conservation Regions program provided a multi-year dataset of Dusky Grouse observations, which we reduced to detected (n=132) and pseudo-absent (n=5960) locations, using geospatial datasets to obtain topographic and vegetation characteristics for each location. We evaluated the predictability of the two models using receiver operating characteristics and area under the curve (ROC/AUC) with k-fold cross validation and classification accuracy of an independent dataset of incidental Dusky Grouse locations. We found both models to be highly predictive and multiple habitat characteristics were found to help predict relative probability of use such as proportion of trees with a height of 16–20m and conifer forest vegetation types. We converted both models to binary values and used an ensemble (frequency histogram) approach to combine the models into a final predictive map. Consensus between the resource selection function and random forest models was high (93%) and the ensemble map had higher predictive accuracy when classifying the independent dataset than the other two models. Our results show that our ensembled model approach was able to accurately predict potential Dusky Grouse habitat and therefore can be used to delineate areas for future population monitoring of Dusky Grouse in Montana.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».