Characterizing feral swine movement across the contiguous United States using neural networks and genetic data
Notice bibliographique
Résumé
Globalization has led to the frequent movement of species out of their native habitat. Some of these species become highly invasive and capable of profoundly altering invaded ecosystems. Feral swine (Sus scrofa × domesticus) are recognized as being among the most destructive invasive species, with populations established on all continents except Antarctica. Within the United States (US), feral swine are responsible for extensive crop damage, the destruction of native ecosystems, and the spread of disease. Purposeful human-mediated movement of feral swine has contributed to their rapid range expansion over the past 30 years. Patterns of deliberate introduction of feral swine have not been well described as populations may be established or augmented through small, undocumented releases. By leveraging an extensive genomic database of 18,789 samples genotyped at 35,141 single nucleotide polymorphisms (SNPs), we used deep neural networks to identify translocated feral swine across the contiguous US. We classified 20% (3364/16,774) of sampled animals as having been translocated and described general patterns of translocation using measures of centrality in a network analysis. These findings unveil extensive movement of feral swine well beyond their dispersal capabilities, including individuals with predicted origins >1000 km away from their sampling locations. Our study provides insight into the patterns of human-mediated movement of feral swine across the US and from Canada to the northern areas of the US. Further, our study validates the use of neural networks for studying the spread of invasive species.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».