Évaluation des méthodes de détermination des sites de surveillance en matière de détection précoce selon le caractère convenable des habitats pour le crabe vert, une espèce envahissante, dans la mer des Salish (Colombie-Britannique)
Notice bibliographique
Résumé
Dans le monde entier, le crabe vert est une espèce envahissante à haut risque qui peut dévaster les écosystèmes marins côtiers parce qu’il risque d’entraîner le déplacement des espèces indigènes, de causer la dégradation et la perturbation des habitats naturels (notamment les zostères) et de modifier les réseaux trophiques. Il a été récemment détecté dans la partie canadienne de la mer des Salish. À mesure que son établissement se poursuit dans la région, la détermination des endroits sur lesquels concentrer les ressources limitées de surveillance constitue un problème permanent, étant donné la grande quantité d’habitats côtiers qui pourraient être occupés par l’espèce. Diverses méthodes peuvent être utilisées pour déterminer les habitats hautement propices au crabe vert à des échelles spatiales variées. Cependant, aucune d’entre elles n’a été évaluée dans le contexte de la mise en place d’une gestion du crabe vert, pas plus que pour la partie canadienne de la mer des Salish. Nous évaluons ici cinq méthodes individuelles élaborées pour évaluer le caractère convenable des habitats pour le crabe vert (c.-à-d. le modèle MaxEnt, les modèles de régression stimulée par gradient linéaires et logistiques stochastiques, un outil de sélection rapide des sites et un outil d’évaluation et de classement qualitatif des sites) et cinq modèles dérivés générés par la multiplication des résultats de ces modèles individuels. Chaque modèle s’appuie sur des variables d’entrée environnementales et d’habitat légèrement différentes qui touchent les possibilités d’invasion par le crabe vert. Ainsi, plutôt que de déterminer un seul modèle privilégié, nous avons utilisé une approche d’ensemble multimodèles pour déterminer les sites qui devraient être les plus propices à l’espèce. L’approche d’ensemble accroît vraisemblablement le pouvoir prédictif, car elle inclut à la fois les caractéristiques de l’environnement et de l’habitat lors de la détermination des sites prioritaires pour la détection précoce ou la surveillance du crabe vert dans les eaux canadiennes de la mer des Salish. Enfin, nous décrivons comment les modèles évalués ici, seuls ou en combinaison, pourraient être utilisés pour déterminer des sites supplémentaires, soit dans la mer des Salish, soit dans de nouvelles zones.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».