‘Euclimatch': an R package for climate matching with Euclidean distance metrics
Notice bibliographique
Résumé
Climate matching, a tool for predicting non‐native species survival in target (recipient) regions, is commonly used in invasive species frameworks such as horizon scanning and screening‐level risk assessment protocols. Screening‐level risk assessments often require the analysis of many species with limited resources, and climate matching can be advantageous to identify a reduced number of species for more detailed analyses. Additionally, risk screening may require examination of non‐native species' source pools where species occurrence records are not used in model training data. In these instances, climate matching is an effective method for assessing the survival of non‐native species or their source pools in a target region and has practical advantages over species distribution models. We introduce the R package ‘Euclimatch' for quantitative climate matching with the Euclidean distance algorithm Climatch. The package provides tools for creating a streamlined data‐agnostic climate‐matching workflow. First, climate data are extracted for species occurrence records or regions. Second, climate match is modelled between two regions as a similarity score per grid cell or summarized across a target region. Third, visualizations of the climate match model outputs are created. We demonstrate the use of the ‘Euclimatch' package with the climate match of two popular aquarium trade species and a region‐to‐region analysis. We also demonstrate differences in results between Euclidean distance metric standardization methods when incorporating climate‐change projections. The scale of each example is global, under historical and projected climates. ‘Euclimatch' provides a scripting interface for Euclidean climate matching for the screening assessment of non‐native species or regions under any climatic conditions. ‘Euclimatch' can be downloaded from the comprehensive R archive network (CRAN).
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 | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,055 |
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 ».