Modelling biodiversity in the Grand River Watershed using a species distribution prediction approach
Notice bibliographique
Résumé
This research examined and evaluated the use of GARP (Genetic Algorithm for Rule-Set Prediction) in combination with GIS (Geographic Information Systems), to effectively model biodiversity on the sub-watershed scale in Southern Ontario. To accomplish this, 11 environmental layers (based on topography, land cover, and climate) and georeferenced point data on 29 nationally ranked species at risk (plants, birds, reptiles, and amphibians) were obtained. Results indicated that five layers, (elevation, average summer precipitation, average annual temperature, average January temperature, and average July temperature) produced the most accurate results predicting species distributions (93.4%, 88.2%, 91.6%, 87.8%, and 92% accuracy, respectively). Using the spatial statistic measure AUC (Area Under Operating Characteristic Curve), an accuracy of 0.92 (max 1.0) using the best five layers combined in one model was reached compared to 0.91 using all 11 layers. Within the study area, a hotspot of biodiversity was projected stretching from Cambridge to approximately 15 km south of Brantford. These results aid in understanding the critical layers in prediction modelling, saving time and resources for future researchers in this area. Identifying the most biodiverse regions in the study area provides valuable information for land managers, as these areas often receive the highest priority for conservation. Lastly, this modelling approach can be applied to determine how species distributions will shift in response to climate change.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».