Multi-model assessments to characterize occurrences of emerald ash borer (Coleoptera: Buprestidae)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction and spread of nonindigenous species present a formidable threat to forest health. The emerald ash borer (EAB), Agrilus planipennis, is an East Asian-origin insect that has devastated ash (Fraxinus spp.) trees across the United States and parts of Canada since 2002. Proactive surveillance using high-performing predictive models could aid in mitigating pest risk. Predictor variables and modeling methods are important considerations in such analysis. Therefore, we assessed whether relevant single predictors, a combination of predictors grouped under a certain driver category, or multiple key predictors comprising several drivers, alter the goodness-of-fit of logistic regression models to EAB occurrence data (2002 to 2018) from Canada. The predictors used in models included spatial, topographic/positional, transport pathways/human hotspots, host-related factors, and climate-related variables. Using predictors from the best candidate logistic regression model, we tested the performance of 7 different model types including an ensemble model. Our findings showed that predictors from a wide range of drivers better characterized EAB occurrences than single predictors or a combination of predictors from any given driver category. In multi-model comparisons, random forest outperformed all other models, including the ensemble model. Elevation, infestation pressure, accumulated degree-days (>10 °C), and human population density were important predictors of EAB presence. Random forest and ensemble model forecasts for the city of Edmonton, Alberta, Canada, indicated an area of potential concern for EAB. Our research strongly underscores the utility of comparative multi-model approaches in invasive risk assessments that could have important implications for pest surveillance and 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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle