Evaluating Sampling Designs to Survey Fish Diversity in Lakes From Northern Temperate Zones
Notice bibliographique
Résumé
ABSTRACT Long‐term biological monitoring and management depend on efficient protocols and methodology to characterize and precisely describe species distributions and diversity. In recent years, environmental DNA has progressively become a tool of choice in survey programs. However, the effect of variables such as sampling effort and sampling design still requires consideration. Simple random, grid, and transect‐based sampling methods are widely used in ecological surveys to obtain an unbiased estimation of species richness and community structure. However, under certain conditions where spatial information is available, sampling design and sequencing depth can be optimized to reduce effort and cost. Here, we evaluate different subsampling approaches to identify sampling strategies that are both easily implemented in the field and provide optimal recovery of species diversity for a given sampling effort. With a homogeneous grid‐based sampling (25–50 samples by lake) of 12 freshwater lakes in southeastern Québec, and using the 12S MiFish metabarcoding primer set, we demonstrate that random and stratified designs perform similarly to detect 90% and 95% of species. However, we found that, under certain circumstances, stratified sampling outperformed random sampling, requiring lower numbers of samples to detect the same species diversity. We also demonstrate that for the minimum sequence threshold and sample replication used in our study, a sequencing depth of 50K reads per sample is adequate to obtain a reliable portrayal of species richness. In this study, we contribute to the effort of eDNA sampling standardization by providing data for selecting the best sampling design, sequence depth, and sample size to detect 90%–95% of fish species found in temperate lakes.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».