Inferring the extinction risk of marine fish to inform global conservation priorities
Notice bibliographique
Résumé
While extinction risk categorization is fundamental for building robust conservation planning for marine fishes, empirical data on occurrence and vulnerability to disturbances are still lacking for most marine teleost fish species, preventing the assessment of their International Union for the Conservation of Nature (IUCN) status. In this article, we predicted the IUCN status of marine fishes based on two machine learning algorithms, trained with available species occurrences, biological traits, taxonomy, and human uses. We found that extinction risk for marine fish species is higher than initially estimated by the IUCN, increasing from 2.5% to 12.7%. Species predicted as Threatened were mainly characterized by a small geographic range, a relatively large body size, and a low growth rate. Hotspots of predicted Threatened species peaked mainly in the South China Sea, the Philippine Sea, the Celebes Sea, the west coast Australia and North America. We also explored the consequences of including these predicted species' IUCN status in the prioritization of marine protected areas through conservation planning. We found a marked increase in prioritization ranks for subpolar and polar regions despite their low species richness. We suggest to integrate multifactorial ensemble learning to assess species extinction risk and offer a more complete view of endangered taxonomic groups to ultimately reach global conservation targets like the extending coverage of protected areas where species are the most vulnerable.
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) | 0,000 | 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 ».