Évaluation des méthodes de détermination des sites de suivi en matière de détection rapide du crabe vert
Notice bibliographique
Résumé
Le crabe vert (Carcinus maenas) a été détecté pour la première fois dans le bassin Sooke en 2012, et dans les eaux américaines de la mer des Salish en 2016. On ignore encore si l’espèce s’est établie dans les eaux canadiennes de la mer des Salish en dehors du bassin Sooke, ce qui offre une possibilité de dépistage précoce et de gestion des zones nouvellement envahies. Les gestionnaires des EAE ont besoin d’informations pour déterminer où orienter les programmes de surveillance de dépistage précoce. Ainsi, cinq modèles existants ont été évalués en fonction d’aptitude des habitats en utilisant 447 sites dans la mer des Salish. Chacun des cinq modèles individuels a permis d’identifier les sites propices au crabe vert dans les eaux canadiennes de la mer des Salish, mais ces modèles ne concordaient généralement pas entre eux, probablement parce que chacun intègre des aspects différents de la biologie du crabe vert et de l’utilisation qu’il fait de son habitat. Sans un ensemble de données de validation indépendantes, il n’a pas été possible d’identifier un seul « meilleur » modèle pour déterminer les sites de dépistage précoce. Une approche fondée sur un modèle d’ensemble peut atténuer l’incertitude découlant des modèles individuels en combinant les résultats de plusieurs de ces modèles. Afin d’incorporer tous les modèles dans un ensemble, les résultats de chacun d’entre eux ont été transformés en rang sous forme de 20es de percentiles (c.-à-d. en valeurs rééchelonnées de 1 à 5), et la valeur « mode » (la plus fréquente) des cinq modèles a été déterminée pour chaque site (n = 447). Les 68 sites dont le mode transformé en rang est de 5 ont été classés par ordre de priorité pour la surveillance de dépistage précoce (voir la figure 1). Bien que les 68 sites retenus puissent servir de point de départ, d’autres considérations, au-delà de l’aptitude des habitats, doivent être prises en compte lors de la sélection de sites particuliers de surveillance du crabe vert dans la mer des Salish; ces considérations dépassaient le cadre de ce processus. Les gestionnaires peuvent choisir d’ajouter ou de supprimer des sites selon les besoins, en se basant sur la probabilité d’arrivée (p. ex. par la dérive larvaire, l’introduction de l’espèce par les humains, l’immigration); la présence d’autres caractéristiques importantes (p. ex. la zostère); la présence de proies disponibles ou l’absence de prédateurs; les zones importantes sur le plan écologique, économique ou culturel; l’accès au site; ou l’intérêt des partenaires. L’approche du modèle d’ensemble élaborée ici peut être appliquée ailleurs en utilisant ou en dérivant des modèles propres à cette région, en fonction des données disponibles et des objectifs de gestion. Cependant, les données d’entrée ne tiennent pas compte de tous les facteurs, dont la pression de propagule, qui peuvent contribuer au succès de l’invasion.
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 | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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 ».