Mapping the Habitats of the Red Sea Plume: Merging Expert and Community‐Contributed Data in a Changing Climate
Notice bibliographique
Résumé
ABSTRACT The red seaweed Asparagopsis taxiformis (common name: red sea plume) is attracting global attention because of its ability to reduce methane emissions in livestock systems. However, its habitat and distribution within the Great Barrier Reef (GBR)—one of the world's most iconic marine ecosystems—remain largely unexplored, posing challenges for conservation and the sustainable development of the seaweed industry. To help bridge this gap, we used habitat suitability modelling to identify areas in the GBR with favourable environmental conditions for A. taxiformis . We combined traditional and community‐contributed data with marine spatial datasets to generate a predictive model using a machine learning approach (MaxEnt). Our findings indicate that A. taxiformis may occupy a broad habitat range along the GBR, spanning nearshore and offshore areas from the northern to southern sectors, albeit with some gaps. These potential habitats include areas with no previous records. Highly suitable habitats were found in areas with water depth of less than 20 m, minimum average seawater velocities of 0.3–0.5 m s −1 , and minimum photosynthetically active radiation levels of 25–28 E m −2 day −1 . Future projections suggest that more areas will become more suitable by 2050, possibly indicating habitat expansion. The identification of unreported potential habitats of A. taxiformis in the GBR provides a foundation for targeted monitoring and adaptive conservation and management strategies at both species and ecosystem levels.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».