MétaCan
Menu
Retour à la cohorte
Enregistrement W7061440217

PREDICTING OCCURRENCES AND IMPACTS OF SMALLMOUTH BASS INTRODUCTIONS IN NORTH TEMPERATE LAKES

2004· article· en· W7061440217 sur OpenAlexaboutno aff

Notice bibliographique

RevueeScholarship (California Digital Library) · 2004
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Power Generation Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTroutBass (fish)Pelagic zoneTrophic levelPiscivoreElectrofishingFood webCentrarchidaeMicropterus
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Smallmouth bass and other warmwater littoral piscivores are presently expanding their geographic range northward into lakes across southern Canada. Smallmouth bass introduction can dramatically reduce minnow abundances, causing native lake trout to shift to low quality, invertebrate-based diets. Here we develop models to predict future occurrences and impacts of Smallmouth bass in central Ontario, with the goal of identifying "vulnerable" lakes in order to better guide prevention efforts. Using local and regional environmental variables for 3046 central Ontario lakes, an artificial neural network was used to predict lakes that are likely to be invaded by bass. Smallmouth bass can significantly influence the occurrence and abundance of small-bodied fishes (mainly minnows), and stable isotope analysis of food webs in 18 lakes revealed that lake trout are buffered from impacts of bass on minnows in lakes containing pelagic prey fishes. In the absence of pelagic prey fishes, the trophic niche of lake trout depends on the presence of bass; lake trout feed primarily on zooplankton in the presence of bass, and minnows in the absence of bass. Of the 3046 lakes, the 788 lake trout lakes in central Ontario were classified according to their vulnerability to bass invasion based on the predictability of bass occurrence and their subsequent impacts, and mapped in a Geographic Information System (GIS). Only 48 lake trout lakes (6%) were classified as "high vulnerability" - predicted to be invaded and impacted by bass. Another 301 lakes had a sensitive food web structure but were not predicted to support a bass population. Based on this information, efforts to prevent further impacts can be optimized by focusing on this vulnerable subset of lakes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,658
Score d'incertitude au seuil0,687

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,196
Écart entre enseignants0,187 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship (California Digital Library)Même sujetAdvanced Power Generation TechnologiesTravaux en français237 207