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)
Bibliographic record
Abstract
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.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".