Species Distribution Models for Mesopelagic Mesozooplankton Community
Notice bibliographique
Résumé
ABSTRACT Aim We aimed to enhance our understanding of the distribution of mesopelagic mesozooplankton (MM) using species distribution models, assess the performance of various modelling techniques, identify key environmental predictors for MM distribution and compute their habitat suitability indices. Location Our study focused on the mesopelagic zone globally, with data analysed from different oceans. Taxon Our focus was primarily on mesopelagic mesozooplankton, gathering data on 861 different species from the Mesopelagic Mesozooplankton and Micronekton (MMM) Database. Methods We used an ensemble of species distribution models, applying 10 different modelling algorithms and three multi‐model ensemble approaches. We explored two important factors that can affect model performance: subsampling and the choice of background points. We also estimated the relative importance of various environmental conditions such as mixed layer depth, temperature, salinity, net primary productivity, euphotic zone depth and dissolved nitrate concentration on the distribution of these species. Results Euphotic zone depth, salinity and dissolved nitrate concentration were identified as the most important variables for explaining the distribution of mesopelagic mesozooplankton. The ensemble modelling results were robust in areas with abundant observational records, but high uncertainty was observed in data‐limited regions. We found a patchy habitat suitability map for zooplankton when modelled within their native range, largely due to uneven sampling. Unrestricted range models yielded smoother patterns but could inaccurately project species in areas where they do not occur. Main Conclusions Our study highlights the need for increased sampling effort in data‐limited regions to improve the accuracy of mesopelagic species distribution models. Despite some inaccuracies, unrestricted range models, assuming ecological equivalence (where different species occupying a similar ecological niche in different geographical regions or different ecosystems exhibit similar adaptations and behaviours), provide a reasonable comparison for habitat suitability maps and model performance. It also confirms the significant impact of certain environmental conditions on mesozooplankton distribution.
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) | 0,005 | 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 ».