Évaluation des méthodes de détermination des sites de suivi en matière de détection rapide du crabe vert
Bibliographic record
Abstract
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.
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 | 0.008 | 0.017 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 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".