Habitat Suitability in the Eyes of the Beholder: Using Random Forest Models to Predict Land Cover Type and Scale of Selection Through Avian Functional Traits
Notice bibliographique
Résumé
Ecologists have long sought to identify the scales at which avian species select habitats from their surroundings. However, this is a challenging undertaking given the complex hierarchical nature of the processes involved in avian habitat selection and also given the selection of data scales (resolution and extents) available in satellite-derived land cover. Past research has largely neglected to consider how grain size limitations are related to species’ functional traits. Fortunately, with the increased ubiquity of available land cover maps and open-access datasets detailing avian functional traits, tackling these questions is becoming more feasible. Using data from the Ontario Land Cover Compilation v2, the Ontario Breeding Bird Atlas (2001–2005), and functional trait data from the AVONET dataset, we trained Random Forest models to predict scale-dependent land cover preferences based on avian functional traits. To capture changing scales, we used increasing pixel sizes from the land cover map of our study area which sought to replicate the different perceptual ranges of avian species. Our Random Forest models showcase the ability to accurately predict between natural and human-modified land cover with varying predictive accuracies. Notably, we observed heightened accuracy at smaller pixel sizes, with a subtle decline as grain size increased. By revealing the relationship between avian traits and habitat selection across multiple scales, our study advances our understanding of species–environment interactions, offering valuable insights for conservation strategies and a deeper understanding of avian habitat selection.
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) | 0,001 | 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 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 ».