Assessing spatial structure in marine populations using network theory: A case study of Atlantic sea scallop (Placopecten magellanicus) connectivity
Notice bibliographique
Résumé
Knowledge of the geographic distribution and connectivity of marine populations is essential for ecological understanding and informing management. Previous works have assessed spatial structure by quantifying exchange using Lagrangian particle-tracking simulations, but their scope of analysis is limited by their use of predefined subpopulations. To instead delineate subpopulations emerging naturally from marine population connectivity, we interpret this connectivity as a network, enabling the use of powerful analytic tools from the field of network theory. The modelling approach presented here uses particle-tracking to construct a transport network, and then applies the community detection algorithm Infomap to identify subpopulations that exhibit high internal connectivity and sparse connectivity with other subpopulations. An established quality metric, the coherence ratio, and a new metric we introduce indicating self-recruitment to subpopulations, dubbed the fortress ratio, are used to interpret community-level exchange. We use the Atlantic sea scallop (Placopecten magellanicus) in the northwest Atlantic as a case study. Results suggest that genetic lineages of P. magellanicus demonstrate spatial substructure that depends on horizontal transport, vertical motility, and suitable habitat. Our results support connectivity previously characterized on Georges Bank and Mid-Atlantic Bight. The Gulf of St. Lawrence genetic lineage is found to consist of five subpopulations that are classified as being a sink, source, permeable, or impermeable using quality metrics. This approach may be applied to other planktonic dispersers and prove useful to management.
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 | 0,001 |
| 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 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 ».