Predictive Displacement Theory (PDT): An AI-Assisted Framework for Forecasting Jellyfish Movement Based on Citizen Observations and Environmental Drivers
Notice bibliographique
Résumé
Jellyfish blooms are increasing in frequency and intensity across the Mediterranean Sea, posing growing challenges to tourism, fisheries, public safety, and coastal ecosystem monitoring. Despite the rise of citizen science platforms and the availability of real-time environmental data, no operational system currently exists to forecast jellyfish movement. This paper introduces the Predictive Displacement Theory (PDT), the first proposed framework for forecasting jellyfish drift by combining user-submitted sightings with environmental drivers such as wind, wave direction, sea surface currents, and atmospheric pressure. The concept is designed to operate through an AI-assisted application that ingests real-time observations and oceanographic data to generate short- and medium-term forecasts of jellyfish aggregations. As a proof of concept, the framework was retrospectively tested on the 2020~2023 Pelagia noctiluca blooms in Greece, with a focus on the Corinthian Gulf during 2021 and 2022, using Windy.com datasets and geo-referenced observations from the iNaturalist platform and a Facebook group. Even without AI support, the model predicted southward jellyfish movement with up to 90% accuracy over five-day periods. These findings demonstrate the viability of PDT and its potential to evolve into the first real-time jellyfish forecasting system, supporting both ecological forecasting and timely public warning mechanisms.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».