通过整合专家范围地图和机会事件来改善分布预测:来自日本海黄瓜的证据
Bingqing Xiao1,2, Songxi Yuan1,2, Ákos Bede-Fazekas3,4
1State Key Laboratory of Tropical Oceanography, Guangdong Provincial Key Laboratory of Applied Marine Biology South China Sea Institute of Oceanology, Chinese Academy of Sciences Guangzhou China.
专家范围地图与物种分布模型 (SDM) 的整合提高了海洋生物多样性评估的准确性. 这种方法通过提供更可靠的物种空间分布预测来增强保护战略.
科学领域:
- 海洋生态海洋生态学
- 生物多样性评估 生物多样性评估
- 保护科学是一种保护科学.
背景情况:
- 准确的生物多样性评估对于保护至关重要,特别是在当前的生物多样性危机期间.
- 物种分布模型 (SDM) 是生物多样性评估的重要工具,但由于物种分布数据不完整或有偏见,导致预测不准确.
- 整合不同类型的数据以提高SDM预测是一个建议的解决方案,但在海洋环境中尚未得到充分探索.
研究的目的:
- 调查整合不同类型数据的有效性,以改善海洋物种分布模型 (SDM).
- 评估专家范围地图与机会性事件数据相结合的实用性,以提高SDM预测.
- 评估数据整合对日本海黄的空间分布预测可靠性的影响.
主要方法:
- 采用机遇性发生记录和四种不同的建模算法,为日本海黄适配物种分布模型 (SDM).
- 通过堆叠泛化开发了两个整体模型:一个仅基于四个SDM预测,另一个包含专家知情范围地图 (IUCN).
- 对比了综合模型的预测性能与基线SDM和专家知情组合模型.
主要成果:
- 与仅使用机会性数据的模型相比,专家信息组合模型显示了更好的分布预测准确性.
- 专家范围地图的整合有效地防止了长江淡水排放的南方地区的过度预测,这是一个已知的分散障碍.
- 该研究证实,将专家知识与机会性数据相结合,可以显著提高海洋物种空间分布预测的可靠性.
结论:
- 将专家范围地图集成到物种分布模型 (SDM) 中,可以显著提高海洋生物多样性评估的准确性和可靠性.
- 这种数据整合方法提供了一种有价值的策略,可以克服SDM中的机会性数据的局限性,从而实现更好的保护规划.
- 这些发现强调了利用专家知识来完善生态模型和提高数据稀缺的海洋生态系统预测的重要性.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
09:32Development of New Methods for Quantifying Fish Density Using Underwater Stereo-video Tools
Published on: November 20, 2017
相关概念视频
Distribution and Dispersion
Poisson Probability Distribution
The...
Prediction Intervals
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y.
Distributions to Estimate Population Parameter
