discernible by multivariate analysis: A case study of genus Coilia (Teleostei: Clupeiforms)
Notice bibliographique
Résumé
Abstract – In order to understand the morphological differences between four populations of genus Coilia (Teleostei: Clupeiforms) and identify them conveniently, truss network data were used to conduct multivariate analysis. Nine-teen morphometric measurements were made for each individual. Burnaby’s multivariate method was used to obtain size-adjusted shape data. The cluster analysis and discriminant analysis were used to discriminate among popula-tions. The results indicated that 1) the four populations were clustered into three distinct groups; the first group in-cluded Changjiang C. mystus and Taihu C. ectenes, the second one included Zhujiang C. mystus, the last one included Changjiang C. ectenes, and 2) discriminant analysis with selected 4 morphological parameters showed that the iden-tification accuracy was between 88 % and 100%, and global identification accuracy was 95%. Our result showed that populations of different Coilia species living in geographic proximity to one another are more similar than conspecifics living farther apart. Separation and adaption are important to morphological difference. The taxonomy of genus Coilia should be reconsidered. This study also showed that the method to obtain size-adjusted data is important to acquire right conclusion.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».