Kernel Density Analyses of Coral and Sponge Catches from Research Vessel Survey Data for Use in Identification of Significant Benthic Areas
Notice bibliographique
Résumé
Kernel density estimation (KDE) utilizes spatially explicit data to model the distribution of a variable of interest. It is a simple non-parametric neighbour-based smoothing function that relies on few assumptions about the structure of the observed data. It has been used in ecology to identify hotspots, that is, areas of relatively high biomass/abundance, and in 2010 was used by Fisheries and Oceans Canada to delineate significant concentrations of corals and sponges. The same approach has been used successfully in the Northwest Atlantic Fisheries Organization (NAFO) Regulatory Area. Here, we update the previous analyses with the catch records from up to 5 additional years of trawl survey data from Eastern Canada, including the Gulf of St. Lawrence. We applied kernel density estimation to create a modelled biomass surface for each of sponges, small and large gorgonian corals, and sea pens, and applied an aerial expansion method to identify significant concentrations of theses taxa. We compared our results to those obtained previously and provided maps of significant concentrations as well as point data co-ordinates for catches above the threshold values used to construct the significant area polygons. The borders of the polygons can be refined using knowledge of null catches and species distribution models of species presence/absence and/or biomass.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».