Lessons learned from testing the predictions of species distribution models for deep-sea corals and sponges in the Gulf of Alaska with comparisons to other Alaska ecosystems
Notice bibliographique
Résumé
Abstract Species distribution models are increasingly used to inform spatial management of deep-sea coral and sponge ecosystems for guiding tools such as marine protected area placement and fisheries closures. However, species distribution models often incorporate varying data sources and methods, which need validation to test model accuracy. Existing species distribution models for the Gulf of Alaska were based on bottom trawl survey data. The objective of this study was to validate these species distribution models using independently collected underwater camera survey data collected from 2010–2022. We found that models based on bottom trawl survey data that predicted presence or absence of deep-sea corals and sponges were suitable for some taxa (fan-type corals in particular, with AUC values > 0.70), but they did not perform as well for sponges and pennatulaceans (0.60 < AUC values < 0.70). Models built on bottom trawl survey data were good at capturing absence observations, but were poor at predicting presence. These models were also poor at explaining variation in coral and sponge density, typically predicting less than 25% of the variability in observed densities. However, in most cases the density observed by underwater camera surveys was significantly correlated to density predicted by the bottom trawl survey models at the same location (p < 0.05). These results were similar to results from other model validation exercises performed in Alaska and confirm the catchability of corals and sponges is biased low in Alaska bottom trawl survey data, likely due to both the inefficiency of bottom trawls at capturing these organisms and in the difficulty in using trawls to sample in rocky, rugose and hard substrates where corals and sponges are predominantly found. The results highlight both the usefulness and limitations of these models for management, as well as the need for an iterative improvement of models incorporating better data to move forward with the management of these vulnerable marine communities.
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 | 0,026 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».