Use of Species Distribution Modeling in the Deep Sea
Bibliographic record
Abstract
ABSTRACT. In the last two decades the use of species distribution modeling (SDM) for the study and management of marine species has increased dramatically. The availability of predictor variables on a global scale and the ease of use of SDM techniques have resulted in a proliferation of research on the topic of species distribution in the deep sea. Translation of research projects into management tools that can be used to make decisions in the face of changing climate and increasing exploitation of deep-sea resources has been less rapid but necessary. The goal of this workshop was to discuss methods and variables for modeling species distributions in deep-sea habitats and produce standards that can be used to judge SDMs that may be useful to meet management and conservation goals. During the workshop, approaches to modeling and environmental data were discussed and guidelines developed including the desire that 1) environmental variables should be chosen for ecological significance <em>a priori</em>; 2) the scale and accuracy of environmental data should be considered in choosing a modeling method; 3) when possible proxy variables such as depth should be avoided if causal variables are available; 4) models with statistically robust and rigorous outputs are preferred, but not always possible; and 5) model validation is important. Although general guidelines for SDMs were developed, in most cases management issues and objectives should be considered when designing a modeling project. In particular, the trade-off between model complexity and researcher’s ability to communicate input data, modeling method, results and uncertainty is an important consideration for the target audience. RÉSUMÉ. Au cours des deux dernières décennies, le recours à la modélisation de la répartition des espèces pour étudier et gérer les espèces marines a considérablement augmenté. La disponibilité des variables prédictives à l’échelle mondiale et la convivialité de ces techniques de modélisation ont entraîné la multiplication des recherches sur la répartition des espèces en haute mer. La traduction des projets de recherche en outils de gestion pouvant servir à prendre des décisions dans le contexte des changements climatiques et de l’exploitation accrue des ressources en haute mer est moins rapide, quoique nécessaire. Cet atelier visait à discuter des méthodes et variables pour la modélisation de la répartition des espèces dans les habitats en haute mer, et à établir des normes pour évaluer les méthodes de modélisation pouvant aider à atteindre les objectifs en matière de gestion et de conservation. Pendant l’atelier, les approches envers la modélisation et les données environnementales ont fait l’objet de discussions, et des lignes directrices ont été élaborées. Celles-ci comprenaient les caractéristiques souhaitées qui suivent: 1) les variables environnementales devraient être choisies selon leur importance écologique a priori; 2) l’ampleur et l’exactitude des données environnementales devraient être prises en compte durant la sélection d’une méthode de modélisation; 3) dans la mesure du possible, les variables substitutives, comme la profondeur, doivent être évitées si des variables causales sont disponibles; 4) les modèles dont les résultats sont statistiquement solides et rigoureux sont privilégiés, mais leur utilisation n’est pas toujours possible; 5) la validation du modèle est importante. Même si des lignes générales sur la modélisation de la répartition des espèces ont été mises au point, les objectifs et enjeux de gestion devraient généralement être pris en compte pendant la conception d’un projet de modélisation. En particulier, le compromis entre la complexité du modèle et la capacité du chercheur à communiquer les données d’entrée, la méthode de modélisation, les résultats et les incertitudes sont des facteurs importants pour le public cible.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".