Spatial Evaluation of Salurnis marginella Occurrence According to Climate Change Using Multiple Species Distribution Models
Notice bibliographique
Résumé
Salurnis marginella causes agricultural and forest damage in various Asian environments. However, considering the environmental adaptability of pests and the active international trade, it may invade other regions in the future. As the damage to local communities caused by pests becomes difficult to control after invasion, it is essential to establish measures to minimize losses through pre-emptive monitoring and identification of high-risk areas, which can be achieved through model-based predictions. The aim of this study was to evaluate the potential distribution of S. marginella by developing multiple species distribution modeling (SDM) algorithms. Specifically, we developed the CLIMEX model and three machine learning-based models (MaxEnt, random forest, and multi-layer perceptron), integrated them to conservatively assess pest occurrence under current and future climates, and overlaid the host distribution with climatically suitable areas of S. marginella to identify high-risk areas vulnerable to the spread and invasion of the pest. The developed model, demonstrating a true skill statistic >0.8, predicted the potential continuous distribution of the species across the southeastern United States, South America, and Central Africa. This distribution currently covers approximately 9.53% of the global land area; however, the model predicted this distribution would decrease to 6.85%. Possible areas of spread were identified in Asia and the southwestern United States, considering the host distribution. This study provides data for the proactive monitoring of pests by identifying areas where S. marginella can spread.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».