Kelp in the Salish Sea: Spatial Patterns of Persistence, Loss, and Data Gaps Using a Harmonized Dataset
Notice bibliographique
Résumé
Kelp forests are ecologically and culturally significant marine habitats that provide critical ecosystem services. Despite increasing concerns over kelp loss, regional-scale analyses of kelp distribution in the Salish Sea remain limited by disparate datasets collected using varying methodologies. This study harmonizes multiple independent kelp datasets through a standardized geospatial data schema, addressing key barriers to data integration. By focusing on essential attributes—observation year, species, and location—this study develops a unified dataset that enables the first comprehensive assessment of kelp distribution trends across the region. Analysis of the harmonized dataset reveals an overall 9.4% regional decline in kelp extent with data representing kelp observations from 1858 - 2024, with localized losses reaching 48% in South Puget Sound. Additionally, results highlight significant survey gaps, particularly in remote regions of the northern Salish Sea, mid-eastern Vancouver Island, and the southern shoreline of Vancouver Island. In contrast, repeat surveys were primarily conducted near Port Townsend and within the San Juan Islands Archipelago. These findings underscore the importance of expanding long-term monitoring efforts to under-surveyed areas. This study highlights the importance of planning surveys that engage volunteers and prioritize a well-structured data schema, ensuring data collection supports comprehensive analysis through to reporting. It emphasizes the need to design monitoring transects based on species distribution modeling (SDM) to capture accurate ecological patterns of absence and presence. Additionally, the research calls for the establishment of a transboundary data repository that adheres to a unified data schema, fostering collaboration and consistency across regions. These steps will be critical for sustaining kelp forests in the Salish Sea and informing long-term conservation and management strategies.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».