A novel multispecies approach for the detection of regime shifts in a plankton community – a case study in the North Sea
Notice bibliographique
Résumé
Abstract. The physical environment both above and below the ocean surface has changed dramatically during the last century. Changes in the marine environment induced by increased release of greenhouse gases and direct exploitation of resources include increased ocean temperature, decreased salinity and pH, and removal of apex predators. The risk of ecological regime shifts occurring has similarly increased. A variety of methodologies to identify regime shifts have already been used in the North Sea, which has become an important case study for the analysis of regime shifts in a semi-enclosed waterbody. The North Sea is regarded as a case study in part due to the operation of the continuous plankton recorder, which has provided detailed abundance records of phyto- and zooplankton for over 60 years. Here, we propose a new methodology to calculate regime shift likelihood for every month between 1958 and 2020. This unique model produces a single time series of regime shift likelihood, using sequential abundance data of more than 300 plankton species. We show the model's ability to identify when regime shifts occurred in the past by comparing it to previous less automated methodologies. We have validated the model for use in the North Sea by estimating how often false positives and false negatives are generated. Results from the model indicate evidence for three periods of high regime shift likelihood in various parts of the North Sea: between 1962 and 1972, between 1989 and 1999, and from 2002 until 2015. We show that these periods are consistent with previous estimates of North Sea regime shifts, and discuss possible applications of the model's output of a single time series.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».