К гетерогенности: социолингвистический взгляд на классификацию чернокожих в XXI веке

Страница из

НАПЕЧАТАНО ИЗ ОНЛАЙН-СТИПЕНДИИ ОКСФОРДА (oxford.universitypressscholarship.com). (c) Авторские права Oxford University Press, 2021. Все права защищены. Отдельный пользователь может распечатать одну главу монографии в формате PDF в OSO для личного использования. дата: 04 октября 2021 г.

Социолингвистический взгляд на классификацию чернокожих в XXI веке

Глава:

(п.153) 8 На пути к гетерогенности

Источник:

Расиолингвистика

Автор (ы):

Рене Блейк

Издатель:

Oxford University Press

DOI: 10.1093 / acprof9801909: oso25 Афроамериканский английский сложен и разнообразен, как и расовые / этнические группы, черные / афроамериканцы, связанные с этим языком. Изучение социолингвистического поведения представителей других чернокожих этнических групп (то есть не афроамериканцев) в Соединенных Штатах наряду с их коренными и идентифицированными афроамериканскими коллегами проливает свет на способы, которыми люди из этих сообществ сознательно и бессознательно используют язык и манипулируют им. ресурс для обозначения их личности.В этой главе я утверждаю, что в рамках своего анализа ученые-лингвисты должны выходить за рамки социальных категорий, определенных в национальном воображении США, и учитывать нюансы групп и отдельных лиц, позволяя проводить более всесторонний социальный и лингвистический анализ идентичности.

Ключевые слова: идентичность, афроамериканский английский, афроамериканцы, карибские американцы, черная этническая принадлежность, раса, этническая принадлежность, социолингвистика

Oxford Online требуется подписка или покупка.Однако публичные пользователи могут свободно искать на сайте и просматривать аннотации и ключевые слова для каждой книги и главы.

Пожалуйста, подпишитесь или войдите для доступа к полному тексту.

Если вы считаете, что у вас должен быть доступ к этой книге, обратитесь к своему библиотекарю.

Для устранения неполадок, пожалуйста, проверьте наш FAQs , и если вы не можете найти там ответ, пожалуйста связаться с нами .

Есть ли необходимость перейти от классификации G V Black?

В стоматологическом образовании всегда был серьезный недостаток. Мы давно не модернизировали некоторые из наших технологий в соответствии с современными инженерными принципами.

Важно понимать, что уровень инженерии в эпоху G V Black не был похож на сегодняшний. Black’s Class II — это не что иное, как интерфейс Mortis and Tenon, обычно используемый в производстве краснодеревщиков.

Есть четыре основных момента, которые претерпели кардинальные изменения со времен G V Black.

Стоматология и современная техника

Важно понимать, что зубы с множеством бугорков естественным образом подвергаются натяжению. Кроме того, традиционные препарирования зубов еще больше усложняют и без того незначительную инженерную проблему.

Зуб человека — это хрупкий от природы комплекс. Когда традиционный препарат класса I или класса II загружается тысячи раз, возникающая в результате циклическая усталость еще больше ослабляет и без того хрупкую структуру зуба.Здесь важно понимать, что одно только адгезионное соединение не может уменьшить тяжесть этого продолжающегося процесса ослабления.

Таким образом, можно сделать вывод, что наши традиционные препарирования полости и даже наш классический эндодонтический доступ не на должном уровне с точки зрения современной инженерии.

Влияние фтора и большого количества ферментируемых углеводов

В наше время диета изменилась по сравнению с эпохой Блэка. В наши дни преобладает диета, в большей степени насыщенная углеводами.

Также из-за увеличения использования фторида на зубах почти не видны кавитированные поражения снаружи, но высокий уровень инфицированного дентина внутри.

Важность фактора С

Важным фактором для снижения напряжений полимеризации является фактор конфигурации полости, то есть отношение площади адгезии к свободной площади.

Кроме того, большие области зацепления эмалевого стержня под углом 90 ° к отверстиям эмалевого стержня представляют собой более логичную адгезионную ситуацию, чем связывание дентина с высоким C-фактором и натяжением, поскольку композит сжимается от стенок полости в двух препаратах.

Адгезия

Сама по себе адгезия не может обеспечить предсказуемый долгосрочный успех в боковых зубах. Композитные реставрации выпадают из пазов. Это причина того, почему мы зависим от механической фиксации даже для клеевых материалов.

Важно понимать, что существует разница между когезией эмали и адгезией дентина. Традиционные ретенционные (черные и щелевые) препарирования полости, к сожалению, максимизируют взаимодействие с дентином и минимизируют взаимодействие с эмалью.

Таким образом, композитные препараты класса II имеют много слабых мест, ведущих к увеличению количества отказов, что требует нового, упрощенного подхода для получения долговечных композитных реставраций.

Является ли композит хорошей альтернативой традиционным реставрациям из амальгамы? Может ли какой-нибудь новый клей, наполнитель, химический состав смолы или комбинация компенсировать эту слабость? Давайте посмотрим, что приготовила для нас эта современная инженерная стоматология!

Д-р Зайнаб А. Рангвала окончила GDC, Джамнагар. Практикует уже 3 года.Заядлый читатель и писатель по страсти.

Система классификации в нацистских концлагерях

Жертвы преследований

Среди первых жертв преследований в нацистской Германии были политические оппоненты, прежде всего коммунисты, социал-демократы и профсоюзные деятели. Свидетели Иеговы отказались служить в немецкой армии или принести клятву повиновения Адольфу Гитлеру и, следовательно, также стали мишенью. Нацисты преследовали немецких гомосексуалистов мужского пола, чья сексуальная ориентация считалась препятствием для роста немецкого населения.«Привычных» гомосексуалистов заключали в тюрьмы; многие были позже отправлены в концентрационные лагеря после отбытия наказания.

Нацисты преследовали тех, кого считали менее развитыми в расовом отношении. Нацистская расовая идеология в первую очередь очерняла евреев, но также пропагандировала ненависть к цыганам и чернокожим. Нацисты рассматривали евреев как расовых врагов и подвергали их произвольным арестам, интернированию и убийствам. Цыгане также подвергались преследованиям по расовому признаку.Нацисты считали поляков и других славян неполноценными и предавали их порабощению, принудительному труду, а иногда и смерти. С еврейскими заключенными обращались в нацистских концлагерях самым жестоким образом.

Идентификация заключенных: система маркировки

С 1938 года евреев в лагерях идентифицировали по желтой звезде, пришитой на их тюремной форме, что является искажением еврейского символа звезды Давида. После 1939 года, с некоторыми вариациями от лагеря к лагерю, категории заключенных легко определялись системой маркировки, сочетающей цветной перевернутый треугольник с буквами.Значки, пришитые к форме заключенных, позволили охранникам СС установить предполагаемые основания для заключения.

Преступники были отмечены зелеными перевернутыми треугольниками, политические заключенные — красным, «асоциальные» (включая цыган, нонконформистов, бродяг и другие группы) — черными или — в случае цыган в некоторых лагерях — коричневыми треугольниками. Гомосексуалистов отождествляли с розовыми треугольниками, а Свидетелей Иеговы — с фиолетовыми. Заключенные-немцы идентифицировались по первой букве немецкого названия их родной страны, которая была пришита к их значку.Оба треугольника, образующие еврейскую звезду, были бы желтыми, если только еврейский заключенный не был включен в одну из других категорий заключенных. Например, политический заключенный-еврей будет обозначен желтым треугольником под красным треугольником.

Нацисты требовали, чтобы евреи носили желтую Звезду Давида не только в лагерях, но и на большей части оккупированной Европы.

Авторы): Мемориальный музей Холокоста США, Вашингтон, округ Колумбия

Оценка пороговых значений вымирания популяции с деревьями категориальной классификации для черных медведей Луизианы

Abstract

Мониторинг уязвимых видов имеет решающее значение для их сохранения.Пороговые значения или точки перелома обычно используются для обозначения того, когда популяции становятся уязвимыми перед исчезновением, и для запуска изменений в природоохранных мероприятиях. Однако количественные методы определения таких пороговых значений недостаточно изучены. Черный медведь Луизианы ( Ursus americanus luteolus ) был исключен из списка исчезающих и находящихся под угрозой исчезновения видов в соответствии с Законом США об исчезающих видах в 2016 году, и нашей целью было определение наиболее подходящих параметров и пороговых значений для мониторинга и действий по управлению.Данные о повторной поимке меток (CMR) с 2006 по 2012 гг. Использовались для оценки параметров и дисперсии популяции. Мы использовали стохастическое моделирование популяции и условные деревья классификации для определения демографических показателей для мониторинга, которые будут наиболее показательными для повышенного риска исчезновения. Затем мы определили пороговые значения, которые будут надежными предикторами жизнеспособности популяции. Деревья условной классификации показали, что среднегодовая выживаемость взрослых самок за 5 лет () была лучшим показателем устойчивости популяции.В частности, стойкость популяции оценивалась как ≥95% в течение 100 лет, что позволяет предположить, что эту статистику можно использовать в качестве порогового значения для запуска вмешательства управления. В результате нашей оценки были разработаны протоколы мониторинга, которые надежно предсказывали устойчивость популяции и были экономически эффективными. Мы пришли к выводу, что прогнозы численности населения и условные деревья классификации могут быть ценными инструментами для определения пороговых значений вымирания, используемых в программах мониторинга.

Образец цитирования: Laufenberg JS, Clark JD, Chandler RB (2018) Оценка пороговых значений вымирания популяции с помощью категориальных деревьев классификации черных медведей Луизианы.PLoS ONE 13 (1): e0191435. https://doi.org/10.1371/journal.pone.0191435

Редактор: Марко Феста-Бианше, Университет Шербрука, КАНАДА

Поступила: 5 октября 2017 г .; Принята к печати: 4 января 2018 г .; Опубликовано: 23 января 2018 г.

Это статья в открытом доступе, свободная от всех авторских прав, и ее можно свободно воспроизводить, распространять, передавать, изменять, строить или иным образом использовать в любых законных целях.Работа сделана доступной по лицензии Creative Commons CC0 как общественное достояние.

Доступность данных: Все соответствующие данные находятся в документе и его файлах с вспомогательной информацией.

Финансирование: Это исследование финансировалось Департаментом дикой природы и рыболовства штата Луизиана (R2219-631). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Экологический мониторинг — важный компонент управления природными ресурсами и сохранения биоразнообразия [1]. В последние годы значительное внимание привлекли такие связанные с мониторингом темы, как их цель и необходимость [2–6], дизайн и реализация [7–9], а также недостатки и подводные камни [10,11]. Успешная программа мониторинга может быть сложной и обширной задачей, часто требующей значительных затрат времени и ресурсов на всех этапах разработки, разработки, реализации и оценки программы.

Мониторинг угрожаемых или находящихся под угрозой исчезновения видов на этапе восстановления часто фокусируется на таких факторах, как реакция популяции на изменение количества и качества среды обитания, снижение рисков для целевых видов или общая оценка состояния популяции относительно критериев восстановления. Поскольку критерии восстановления должны быть основаны на четко обоснованных демографических целях, предназначенных для уменьшения угроз для долгосрочного сохранения [12], мониторинг восстановления часто требует значительных ресурсов для сбора необходимых данных для соответствия этим стандартам.Как только произойдет восстановление, мониторинг видов должен продолжаться в течение определенного периода времени, предпочтительно с использованием методов, совместимых и сопоставимых с мониторингом до восстановления [13]. Однако мониторинг может быть менее интенсивным, если приложенные усилия могут надежно обнаружить ухудшение статуса вида. Один из таких подходов к сокращению усилий по мониторингу после восстановления заключается в мониторинге показателей состояния популяции, а не исходных критериев, используемых во время восстановления, которые, когда один или несколько падают ниже или поднимаются выше указанного порогового значения, будут указывать на необходимость вмешательства [13,14 ].Такие демографические пороги или триггеры могут быть эффективными компонентами планов мониторинга населения, когда можно надежно оценить взаимосвязь между значениями демографических показателей и некоторыми показателями жизнеспособности населения [14]. Например, выживаемость может служить полезным показателем вероятности сохранения популяции, для которой может быть установлен некоторый минимальный переломный момент. Таким образом, цели и ограничения мониторинга восстановленных видов отличаются от целей и ограничений для находящихся под угрозой видов, и программы мониторинга должны адаптироваться к таким изменениям.

В 1992 году Служба охраны рыболовства и дикой природы США (USFWS) предоставила черному медведю Луизианы ( Ursus americanus luteolus ) статус угрожаемого в соответствии с Законом США об исчезающих видах (ESA), указав потерю и фрагментацию среды обитания в качестве основных угроз [15] . В Плане восстановления 1995 г. были изложены цели восстановления, разработанные для решения задачи снижения угроз для луизианского черного медведя и среды обитания, в которой он обитает [16]. Laufenberg et al. [17] выполнили анализ жизнеспособности популяции (PVA) луизианского черного медведя, частично основанный на данных по отлову-отметке-повторной поимке (CMR), собранных в бассейне реки Тенсас (TRB) с 2006 по 2012 год и в бассейне реки Верхний Атчафалая (UARB). ) с 2007 по 2012 гг.Данные CMR состояли из генотипированных образцов шерсти медведя, собранных на участках отбора проб колючей проволокой. Эти данные использовались для разработки стохастических моделей популяции с использованием методов иерархического байесовского моделирования для оценки вероятности сохранения. Laufenberg et al. [17] пришли к выводу, что вероятность сохранения субпопуляций TRB и UARB в течение 100 лет была> 0,928 и> 0,906, соответственно, что помогло поддержать решение об удалении U . а . luteolus из списка исчезающих видов в марте 2016 г. [18].

План мониторинга после исключения из списка был разработан и реализован Департаментом дикой природы и рыболовства Луизианы (LDWF) и USFWS [19]. Как и в случае со многими планами мониторинга после восстановления, он не учитывал влияние временной стохастичности на тенденцию изменения численности популяции или явно не связывал индикаторы статуса популяции и пороговые значения индикаторов с устойчивостью, которая могла бы вызвать изменение статуса сохранения черного медведя в Луизиане. Таким образом, наши цели состояли в том, чтобы изучить методы определения индикаторов устойчивости популяции и определения пороговых значений мониторинга, которые основывались на данных, были надежными, включали неопределенность параметров и учитывали изменчивость окружающей среды, на примере черного медведя из Луизианы.

Методы

Общий подход

Наш общий подход состоял из 2 этапов. Во-первых, мы провели анализ чувствительности с использованием стохастического моделирования популяции в сочетании с деревьями условной классификации для определения демографических показателей, наиболее важных для долгосрочного риска исчезновения медведей из субпопуляций TRB и UARB. Второй этап заключался в определении краткосрочных демографических параметров, которые можно было бы использовать в качестве индикаторов долгосрочной устойчивости населения (т.е., пороговые значения) в TRB и UARB, которые можно оценить путем изменения существующих протоколов сбора данных.

Анализ чувствительности

Чтобы выполнить анализ чувствительности, сначала необходимо было разработать модель прогноза численности населения для расчета темпов вымирания. Оценки CMR, использованные Laufenberg et al. [17] были основаны на использовании молекулярных маркеров для получения уникальных мультилокусных генотипов отдельных животных [20]. Чтобы обеспечить возможность отбора проб у всех медведей, участки для сбора шерсти были расположены таким образом, чтобы на каждый домашний ареал взрослой самки было доступно ≥4 участков [21].Полный набор данных CMR, использованный Laufenberg et al. [17] состояли из основанных на ДНК бинарных записей обнаружения (т.е. 1, если обнаружено и 0, если нет) отдельных медведей, полученных в результате исследований по сбору шерсти, проведенных в массивах участков сбора шерсти в популяциях TRB и UARB. Обследования проводились в формате надежного дизайна, состоящего из периодов первичной выборки (т. Е. Годы), между которыми население считалось открытым для прибылей и убытков, и вторичных случаев (т. Е. Недель) в пределах первичных случаев, в течение которых население рассматривалось географически и демографически. закрыто [22].

Laufenberg et al. [17] использовали иерархическую структуру моделирования CMR, основанную на параметризации пространства состояний модели Jolly-Seber [23,24] для оценки численности ( N ), годовой кажущейся выживаемости ( φ ), ежегодного пополнения на душу населения. ( f ), годовая реализованная скорость изменения популяции ( λ ) и еженедельная вероятность обнаружения ( p ). Чтобы отделить дисперсию выборки от дисперсии процесса для и , годовые значения для каждого из этих показателей жизнеспособности обрабатывались как случайные величины, полученные из общего гиперраспределения с использованием соответствующей функции связи.Гиперраспределение для φ было logit ( φ ) = μ _φ + ε _t , где ε _t ~ σ 902 φ ² ) и μ _φ — общая среднегодовая кажущаяся выживаемость по логит-шкале, ε _t — годовое отклонение от среднего значения в t и σ _φ ² — временная дисперсия процесса.Аналогичным образом моделировалось изменение временного процесса f ( σ _f ² ). Чтобы смоделировать зависимость от плотности при пополнении на душу населения [25], мы определили лог-линейную модель для взаимосвязи между f и . N был определен как log ( f ) = β _0f + β _1f N _t + ε _t , где ε _t ~ Нормальный (0, σ 902 902 ) и β _0f и β _1f были параметрами пересечения и наклона, соответственно.Таким образом, демографические коэффициенты, использованные в модели прогноза, включали μ _φ , σ _φ (стандартное отклонение σ ² ), β 90f2 , β _1f и σ _f (стандартное отклонение σ _f ² ). Кажущаяся выживаемость ( φ ) включала смертность и эмигрантов.Оценки f включали рождаемость и иммигрантов и при суммировании с φ давали конечный темп прироста населения ( λ ), который представлял годовой реализованный темп изменения численности в зависимости от рождений, смертей, иммиграции, и эмиграция.

Мы приняли байесовский подход к анализу жизнеспособности популяции, основанный на методах стохастического прогнозирования популяции для оценки вероятности сохранения. Прогноз численности населения — это просто одна из многих возможных траекторий численности населения, некоторые из которых более вероятны, чем другие, на основе стохастической модели с рядом упрощающих допущений, которые управляют динамикой популяции.Вероятность сохранения может быть выведена из тех результатов траектории, которые наиболее вероятны (т. Е. Вымирание или устойчивость), с учетом неопределенности, вызванной стохастическими популяционными процессами. Наша цель состояла в том, чтобы разработать набор моделей, основанный на ряде биологически обоснованных параметров модели и допущений, чтобы спроектировать траектории субпопуляции и охарактеризовать вероятности сохранения.

Мы использовали методы Монте-Карло, чтобы включить 2 типа случайных вариаций в каждую модель: временную (средовую) стохастичность в годовых показателях естественного движения населения и демографическую стохастичность в индивидуальных жизненных событиях.Одна из целей анализа чувствительности заключалась в моделировании траекторий населения в гораздо более широком диапазоне демографических условий (т.е.различных комбинаций φ и f ), чем это сделали Laufenberg et al. [17]. Мы хотели ослабить предположение, сделанное в исходном PVA, что динамика популяции (т.е. средние и дисперсии), наблюдаемая во время этого исследования, будет оставаться неизменной, чтобы определение долгосрочной жизнеспособности было достоверным. Таким образом, мы случайным образом выбрали отдельные значения параметров для каждой траектории из равномерных распределений, определяемых минимальным и максимальным значениями апостериорного распределения для каждого параметра, описанного в Laufenberg et al.[17] (Таблица 1), а не непосредственно из соответствующих апостериорных распределений параметров. Мы также независимо друг от друга выбрали каждое значение параметра вместо выборки из совместного апостериорного распределения, как это было сделано в Laufenberg et al. [17]. В результате был получен набор данных, который включал в себя биологически правдоподобные комбинации значений параметров, не наблюдавшиеся во время исследования PVA, что позволило нам расширить наши выводы для отдельных популяционных параметров, наиболее связанных с риском исчезновения, и определить демографические пороги, указывающие на долгосрочное сохранение.

Таблица 1. Минимумы и максимумы апостериорного распределения для демографических показателей, оцененные Laufenberg et al. (2016) на основе данных по отлову-метке-повторной поимке на основе ДНК, собранных у луизианских черных медведей в бассейне реки Тенсас (TRB; 2006–2012) и в бассейне реки Верхний Атчафалая (UARB; 2007–2012), Луизиана, США.

Параметры пополнения оценивались по шкале натурального логарифма, а параметры выживаемости — по шкале логита.

https://doi.org/10.1371 / journal.pone.0191435.t001

Для каждой модели прогноза мы моделировали траектории за 100-летний период. Мы сгенерировали 2000 случайных комбинаций параметров модели проекции из приведенных выше однородных распределений для TRB и 2000 для UARB. Затем мы использовали каждую из этих комбинаций для оценки стохастичности путем моделирования 500 популяционных траекторий в течение 100 лет, что дало 1000000 траекторий для каждой субпопуляции. Для каждой траектории записывались значения параметров модели, использованные в проекции ( μ _φ , σ _φ , β _0f , β f _{1 , и σ f ) и годовые значения λ , φ , f и N .}

Чтобы определить наиболее важные значения параметров для прогнозирования риска исчезновения, мы выбрали рекурсивное разбиение, широко используемый метод непараметрической регрессии и классификации. Рекурсивное разделение — это многомерный аналитический метод, который создает дерево решений, которое пытается классифицировать членов совокупности путем разделения их на субпопуляции на основе дихотомических независимых переменных. Тип рекурсивного разбиения, известный как случайные леса, успешно применяется во многих областях науки [26].В случайных лесах используются деревья условного вывода, которые представляют собой непараметрический класс деревьев регрессии, основанный на машинном обучении [27]. Для выполнения анализа мы сначала создали двоичную переменную отклика (EXTANT), присвоив значение 1 каждой моделируемой траектории с количеством медведей в популяции через 100 лет ( N ₁₀₀ ) ≥ 1 и присвоили значение 0 в противном случае. Затем мы случайным образом выбрали 500 000 из 1 000 000 смоделированных траекторий в качестве обучающего набора данных, для которого мы построили случайные леса условных классификационных деревьев для TRB и UARB, используя функцию cforest в пакете R [28–30].Объясняющие переменные включали все 5 значений параметров, генерирующих данные ( μ _φ , σ _φ , β ₀ , β ₁ и σ f ). Мы ограничили размер отдельных деревьев, ограничив глубину дерева до 4 уровней, чтобы гарантировать интерпретируемость отдельных деревьев и снизить неоптимальную производительность, связанную с переобучением, когда размер выборки велик, а количество независимых переменных мало [31].Мы установили количество объясняющих переменных, случайно выбранных для определения индивидуальных расщеплений, равным 5, максимальное количество доступных объясняющих переменных в нашем наборе данных, и установили количество деревьев в лесу равным 100, что, как мы определили, было достаточно для надежного прогнозирования и оценки важность переменной с учетом относительно небольшого количества объясняющих переменных при минимизации вычислительной нагрузки. Для всех остальных аргументов функции оставлены значения по умолчанию. Оценки переменной важности были рассчитаны с использованием функции varimp в пакете party.Мы оценили соответствие модели и прогностическую эффективность случайных лесов, рассчитав общую частоту ошибок классификации и частоту ошибок для неправильной классификации траектории, которая исчезла, как существующей (то есть, частоты ошибок типа II). Мы выполнили эти вычисления для удерживающей выборки независимо от набора обучающих данных, который состоял из 10000 траекторий, случайно выбранных из тех траекторий, которые не были выбраны для набора обучающих данных. Мы считали ошибку типа II (то есть ошибочное предсказание устойчивости) наиболее подходящей для принятия решений о вымирающих видах.

В дополнение к общему анализу взаимосвязи между параметрами отдельных популяций и риском исчезновения, мы также хотели оценить демографические параметры, рассчитанные за период времени, более подходящий для типичного периода мониторинга после восстановления (например, 5 лет). Чтобы оценить, какие демографические параметры, оцененные за 5-летний период времени, являются наиболее предсказуемым риском исчезновения, мы вывели новые переменные на основе значений для N , φ и λ , извлеченных из набора обучающих данных.Мы рассчитали среднее значение для каждой переменной, наблюдаемой в течение первых 5 (,, и) лет каждого прогноза численности населения, и использовали эти объясняющие переменные в отдельных анализах случайных лесов для TRB и UARB. Мы использовали те же настройки функций и оценки соответствия модели и прогнозируемой производительности, что и для общего анализа, за исключением того, что мы установили количество независимых переменных, выбранных для определения расщеплений, равным 3 — максимальному количеству доступных независимых переменных в этих наборах данных.

Демографические пороги

Традиционные методы статистического анализа (например, обобщенные линейные модели или дисперсионный анализ) могут быть неадекватными для выявления сложных нелинейных отношений в многомерных экологических данных, тогда как методы машинного обучения, такие как деревья классификации, хорошо подходят для таких ситуаций [32,33 ]. Мы использовали анализ дерева классификации с единым условным выводом для изучения взаимосвязей и определения надежных предиктивных пороговых значений между демографическими показателями и вероятностью вымирания населения.

В первую очередь мы были заинтересованы в определении пороговых значений демографической скорости, которые были бы надежными индикаторами долгосрочной устойчивости популяции (т.е. вероятность сохранения ≥95%) и могли бы быть измерены в течение относительно коротких периодов мониторинга (например, 5 лет). Поэтому мы построили условные деревья классификации для популяций TRB и UARB на основе демографических показателей, согласующихся с нашим анализом чувствительности в течение 5-летнего периода мониторинга. Дерево классификации было сосредоточено на средних значениях продолжительности, полученных на основе годовых демографических показателей, полученных в результате моделирования нашей популяции.Эти средние значения были определены на основе числовых шкал, зависящих от скорости, где N и λ могут находиться в диапазоне от 0 до ∞, а φ может находиться в диапазоне от 0 до 1.

Мы использовали те же наборы обучающих данных и объясняющие переменные, что и наш анализ важности переменных, и функцию ctree в пакете R [34], чтобы вырастить отдельные деревья классификации для каждого набора переменных-предикторов для TRB и UARB. Мы преобразовали переменную EXTANT из набора данных важности переменной из двоичной переменной в факторную переменную с 2 уровнями: EXTINCT, когда N ₁₀₀ <1, и EXTANT в противном случае, чтобы учесть структуру данных, требуемую функцией ctree.Опять же, мы ограничили размер деревьев до 4 уровней, установили количество независимых переменных, выбранных для определения расщеплений, на 3 и установили количество деревьев в лесу на 100; все остальные аргументы функции были оставлены со значениями по умолчанию. Мы оценили соответствие модели и прогнозную производительность на основе удерживаемой выборки из 10 000 траекторий независимо от набора обучающих данных, как мы это делали для анализа случайных лесов. Мы определили надежные пороги демографической скорости как сценарии (то есть ветви дерева классификации) из наших деревьев классификации, которые привели к вероятности сохранения ≥95% в течение 100 лет.

Результаты

Среднегодовой показатель самок φ по логит-шкале ( μ _φ ) был определен как долгосрочный показатель с наибольшей относительной важностью для прогнозирования исчезновения субпопуляции TRB (рис. 1A). Годовое изменение φ (σ _φ ) также было сильным предсказателем для TRB. Напротив, σ _φ имело наибольшее относительное значение для риска исчезновения, а μ _φ было лишь умеренно важным в UARB (рис. 1B).Общая частота ошибок классификации для модели случайных лесов, прогнозирующей вымирание в TRB, составила 12,4%, а частота ошибок типа II (т.е. прогнозируемый результат — EXTANT, когда истинный результат — EXTINCT) — 7,5%, что указывает на разумную предсказательную силу. Модель случайных лесов для UARB работала лучше, чем для TRB, с общим коэффициентом ошибок 5,9% и коэффициентом ошибок типа II 3,2%.

Рис. 1.

Переменные оценки важности (по оси x), оцененные на основе случайных лесов условных деревьев классификации на основе стохастического моделирования численности самок в бассейне реки Тенсас (панели A и C) и в бассейне реки Верхний Атчафалая (панели B и Г) субпопуляции.Объясняющие переменные соответствовали долгосрочным демографическим показателям, используемым для расчета демографических траекторий (панели A и B) или средним значениям, полученным за первые 5 лет (панели C и D). Переменными были временные изменения в наборе персонала на душу населения (σ _f ), коэффициенты пересечения и наклона, описывающие лог-линейную зависимость плотности набора на душу населения ( β _0f и β _1f ), временное изменение кажущейся выживаемости (σ _φ ), средняя кажущаяся выживаемость (), средняя численность за 5-летний период (), средние темпы роста популяции за 5-летний период () и средняя кажущаяся вероятность выживания за 5 лет ().

https://doi.org/10.1371/journal.pone.0191435.g001

Из краткосрочных показателей, оцененных для TRB и UARB, средняя кажущаяся выживаемость самок () была наиболее важной для прогнозирования вымирания для обеих субпопуляций (рис. 1C). и 1D). Общие коэффициенты ошибок и ошибок типа II для случайных лесов TRB на основе 5-летней продолжительности составили 8,5% и 3,2%. Для UARB общий уровень ошибок и уровень ошибок второго типа составили 8,6% и 3,7% соответственно.

Для субпопуляции TRB 8 комбинаций демографических пороговых значений (далее сценарии) были классифицированы как существующие (рис. 2).Сценарии, для которых было> 0,91, привели к ≥95% вероятности того, что субпопуляция TRB сохранится в течение 100 лет (рис. 2). В UARB 9 демографических сценариев привели к вероятности сохранения> 0,5 (рис. 3). Из 3 сценариев с высокой вероятностью сохранения (т. Е. ≥95%) в течение 5-летнего периода 2 были основаны исключительно на пороговых значениях, а оставшийся сценарий включал пороговые значения для и. Минимальный порог для сценариев, включающих только кажущуюся выживаемость, составлял 0,90 () для 5-летней продолжительности, что было почти идентично значению для субпопуляции TRB.

Рис. 2. Дерево условной классификации для краткосрочных демографических пороговых значений женщин для субпопуляции бассейна реки Тенсас на основе 5-летней продолжительности мониторинга.

Пропорции темно-серых столбцов и значения под столбиками (например, p = 0,98) представляют вероятность исчезновения. Переменными были средняя численность за 5-летний период () и средняя кажущаяся вероятность выживания за 5-летний период ().

https://doi.org/10.1371/journal.pone.0191435.g002

Рис. 3. Дерево условной классификации для краткосрочных демографических пороговых значений женщин для субпопуляции бассейна реки Верхний Атчафалая на основе 5-летней продолжительности мониторинга.

Пропорции темно-серых столбцов и значения под столбиками (например, p = 0,99) представляют вероятность исчезновения. Переменными были средняя численность за 5-летний период (), средние темпы роста популяции за 5-летний период () и средняя очевидная вероятность выживания за 5 лет ().

https://doi.org/10.1371/journal.pone.0191435.g003

Обсуждение

Наше моделирование показывает, что порог = 0,90 может надежно предсказать 95% вероятность сохранения для обеих субпопуляций медведей. Возможны и другие триггеры в зависимости от различных вероятностей настойчивости или уровней неопределенности, с которыми менеджеры чувствуют себя комфортно. Порог может быть оценен с использованием моделей CMR открытой популяции с временной симметрией [35] или моделей Кормака-Джолли-Себера [36], обе из которых относительно устойчивы к обычным систематическим ошибкам захвата [37].Последующее моделирование с использованием данных CMR от UARB предполагает, что 17 участков отбора проб волос с колючей проволокой, проверяемых в течение 4 недель каждый год, позволят надежно оценить φ . Этот сценарий представляет собой значительное снижение интенсивности мониторинга в УАРБ по сравнению с тем, что было предписано в плане мониторинга (116 ловушек отобраны в течение 3 недель / год) [19].

Лучшее понимание демографических показателей, определяющих динамику населения, имеет жизненно важное значение для долгосрочного планирования, особенно для мониторинга устойчивости, и наш анализ чувствительности помог предоставить это понимание.Например, жизнеспособность субпопуляции UARB была наиболее чувствительна к изменению однолетней самки φ , тогда как субпопуляция TRB больше всего зависела от долгосрочного среднего значения однолетней самки φ . Большее значение временных вариаций для устойчивости UARB является разумным, учитывая его относительно небольшой размер, что делает его более восприимчивым к стохастичности окружающей среды, даже когда долгосрочное среднее значение λ у женщин является положительным [17,38,39]. Важность женщины φ также была очевидна в наших краткосрочных деревьях классификации демографических показателей, поскольку она была включена в каждый сценарий, который привел к сохранению популяции (≥95%).Коэффициенты ошибок краткосрочных демографических показателей были меньше, чем долгосрочные коэффициенты для TRB, что, возможно, связано с более низкими значениями важности независимых переменных в первом наборе данных по сравнению со вторым. Кроме того, UARB имел более низкие коэффициенты ошибок, чем TRB, вероятно, потому, что меньшая начальная численность, использованная в моделировании для UARB, сделала его вероятность вымирания более чувствительной к небольшим возмущениям в важных демографических показателях, что привело к большей предсказательной способности для этих показателей.

Используемые нами методы условного дерева классификации были разработаны для выявления и описания закономерностей в данных, а не для понимания экологических процессов [40], что согласуется с нашей целью определения пороговых значений, которые будут использоваться в программах мониторинга. Однако методы интеллектуального анализа данных часто выявляют закономерности в данных, которые могут быть подвергнуты подтверждающему анализу на основе данных наблюдений [41]. Действительно, на основании параметрического статистического анализа важность взрослой самки φ , идентифицированной деревьями классификации, была основной движущей силой динамики популяции черных медведей [42,43,44].

Мы определили улучшения в конструкции, которые позволят усилить мониторинг, позволяющий лучше отслеживать постоянство популяции, быть экономически эффективными, и поддерживать протоколы сбора данных, соответствующие мониторингу восстановления. Обнаружение таких улучшений является основной целью этапа 4 «дорожной карты» по разработке и реализации программы мониторинга, разработанной Reynolds et al. [9]. Переход от этапа восстановления к этапу после восстановления требует переоценки методов мониторинга, чтобы обеспечить сбор качественной информации и при этом максимизировать рентабельность для поддержания длительного периода мониторинга.Хотя такая оценка проводилась до восстановления, и последующие пересмотры методов мониторинга восстановления были включены в план мониторинга, наш анализ показывает, что может потребоваться несколько итераций обучения и пересмотра, описанных в «дорожной карте». Наш процесс переоценки также согласуется с принципами адаптивного управления, поскольку мы обновили нашу модель динамики популяции, используемую для нашего анализа чувствительности, с информацией, полученной от PVA.

Lindenmayer et al.[45] описывают программы мониторинга, в соответствии с которыми виды наблюдались до тех пор, пока они не исчезли на местном, региональном или глобальном уровне, поскольку не было инициировано заранее оговоренное вмешательство в управление. Они рекомендовали, чтобы программы природоохранного мониторинга четко определяли, как информация мониторинга будет информировать о природоохранных мероприятиях, чтобы триггерные точки определялись с конкретными стратегическими вмешательствами, если эти точки будут превышены, и чтобы возможность достижения раннего обнаружения изменений была строго количественно оценена.Эффективные программы мониторинга также должны быть адаптивными, чтобы соответствовать изменениям в целях управления или сохранения, включать лучшее понимание функций системы, полученное в результате деятельности по мониторингу, и реализовывать новые разработки в методах мониторинга [9,46,47]. Такая адаптивная способность гарантирует, что программы мониторинга продолжают предоставлять надежную информацию для принятия научно обоснованных решений по управлению и сохранению в эффективных и действенных рамках. Аналитические методы, которые мы описываем здесь, являются статистически строгими, включают неопределенность параметров и изменчивость окружающей среды и могут использоваться в качестве инструмента для оценки влияния альтернативных управленческих действий на жизнеспособность популяции в соответствии с принципами адаптивного управления.Несмотря на это, мы предлагаем, чтобы менеджеры смотрели на всю совокупность данных, доступных для мониторинга видов, а не полагались на одноразовый переломный момент для какой-либо одной субпопуляции. Несмотря на то, что наш набор данных был исчерпывающим, любой набор данных, используемый для прогнозирования роста населения и оценки рисков исчезновения, должен поддаваться использованию деревьев классификации для оценки чувствительности и определения краткосрочных пороговых значений.

Благодарности

Мы благодарны LDWF, USFWC, студентам, волонтерам и другим агентствам, которые помогли собрать данные, использованные в этом анализе.Мы особенно благодарим Марию Дэвидсон, Клиффа Маера и Шона Мерфи из LDWF, а также Дебби Фуллер и Дэвида Сойло из USFWS за их помощь в предоставлении данных и полезных комментариев к предыдущим проектам этого отчета. Любое использование торговых марок, названий фирм или продуктов только в описательных целях и не означает одобрения со стороны правительства США.

Этот черновой вариант рукописи распространяется исключительно в целях научного рецензирования. Его содержание носит обдуманный и предрешительный характер, поэтому рецензенты не должны его раскрывать или публиковать.Поскольку рукопись еще не была одобрена для публикации Геологической службой США (USGS), она не представляет собой никаких официальных открытий или политики USGS.

Список литературы

1. 1. Линденмайер Д. Б., Гиббонс П., Бурк М., Бургман М., Дикман С. Р., Ферриер С., Фитцсимонс Дж. И др. Улучшение мониторинга биоразнообразия. Austral Ecol. 2012; 37: 298–294.
2. 2. Николс Дж. Д., Уильямс Б. К.. Мониторинг сохранения. Тенденции в Ecol и Evol. 2006; 21: 668–673.
3. 3. Lindenmayer DB, Likens GE. Наука и применение экологического мониторинга. Biol Cons. 2010; 143: 1317–1328.
4. 4. Макдональд-Мэдден Э., Бакстер П.В., Фуллер Р.А., Мартин Т.Г., Game ET, Монтамбо Дж. И др. Мониторинг не всегда имеет значение. Тенденции в Ecol и Evol. 2010; 25: 547–550.
5. 5. Possingham HP, Фуллер Р.А., Джозеф Л.Н. Выбирать среди программ долгосрочного экологического мониторинга и знать, когда остановиться. В: Гитцен Р.А., Миллспо Дж. Дж., Купер А.Б., Лихт Д.С., редакторы.Дизайн и анализ долгосрочных исследований по экологическому мониторингу. Нью-Йорк, издательство Кембриджского университета; 2012. С. 498–508.
6. 6. Уильямс Б.К., Джонсон Ф.А. Ценность информации в управлении природными ресурсами: технические разработки и применение к розоногим гусям. Ecol and Evol. 2015; 5: 466–474.
7. 7. Йоккос Н.Г., Николс Дж. Д., Булинье Т. Мониторинг биологического разнообразия в пространстве и времени. Тенденции в Ecol и Evol. 2001; 16: 446–453.
8. 8.Гитцен Р.А., Миллспо Дж. Дж., Купер А.Б., Лихт Д.С. Разработка и анализ исследований долгосрочного экологического мониторинга. Нью-Йорк, издательство Кембриджского университета; 2012.
9. 9. Рейнольдс Дж. Х., Кнутсон М. Г., Ньюман К. Б., Сильверман Е. Д., Томпсон В. Л.. Дорожная карта для разработки и реализации программы биологического мониторинга. Мониторинг и оценка окружающей среды. 2016; 188: 1–25.
10. 10. Lindenmayer DB, Likens GE, Andersen A, Bowman D, Bull CM, Burns E, et al. Ценность долгосрочных экологических исследований.Austral Ecol. 2012; 37: 745–757.
11. 11. Lindenmayer DB, Likens GE. Эффективный экологический мониторинг. Виктория, издательство CSIRO Publishing; 2010.
12. 12. Доак Д.Ф., Бур Г.К.Х., Баккер В.Дж., Моррис В.Ф., Лаутан А., Моррисон С.А. и др. Рекомендации по улучшению критериев восстановления в соответствии с Законом США об исчезающих видах. BioSci. 2015; 65: 189–199.
13. 13. Служба рыболовства и дикой природы США и Национальная служба морского рыболовства. Руководство по плану мониторинга после исключения из списка в соответствии с Законом об исчезающих видах; 2008 г.
14. 14. О’Грэйди Дж. Дж., Рид Д.Х., Брук Б.В., Фрэнкхэм Р. Каковы наилучшие корреляты прогнозируемого риска исчезновения? Biol Cons. 2004; 111: 513–520.
15. 15. Служба рыболовства и дикой природы США. Находящиеся под угрозой исчезновения и находящиеся под угрозой исчезновения дикие животные и растения; определение статуса под угрозой для U. a. luteolus (Луизианский черный медведь). Fed Reg. 1992; 57: 588–595.
16. 16. Служба рыболовства и дикой природы США. План восстановления черного медведя Луизианы. Служба рыболовства и дикой природы США, Джексон, Миссисипи; 1995 г.
17. 17. Laufenberg JS, Clark JD, Hooker MJ, Lowe CL, O’Connell-Goode KC, Troxler JC и др. Демографические показатели и жизнеспособность популяции черных медведей в Луизиане. Уайлдл Моног. 2016; 194.
18. 18. Служба рыболовства и дикой природы США. Находящиеся под угрозой исчезновения и находящиеся под угрозой исчезновения дикие животные и растения; удаление черного медведя Луизианы из федерального списка находящихся под угрозой исчезновения и находящихся под угрозой исчезновения диких животных и средств защиты американского черного медведя по внешнему виду. Fed Reg. 2016; 81 (48): 13124–13171.
19. 19. Служба рыболовства и дикой природы США. План мониторинга после исключения из списка Луизианского черного медведя ( Ursus americanus luteolus ). Служба рыболовства и дикой природы США, Лафайет, Луизиана; 2016.
20. 20. Вудс Дж. Г., Паеткау Д., Льюис Д., Маклеллан Б. Н., Проктор М., Стробек С. Генетическое мечение черных и бурых медведей, находящихся на свободном выгуле. Wildl Soc.Bull. 1999; 27: 616–627.
21. 21. Отис Д.Л., Бернем К.П., Уайт Г.К., Андерсон Д.Р. Статистический вывод из данных о замкнутых популяциях животных.Уайлдл Моног. 1978; 62.
22. 22. Поллок KH. Конструкция захвата-повторного захвата, устойчивая к неравной вероятности захвата. J Wildl Manage. 1982; 46: 752–757.
23. 23. Ройл Дж. А., Дорацио Р. М.. Иерархическое моделирование и логический вывод в экологии: анализ данных по популяциям, метапопуляциям и сообществам. Нью-Йорк, Academic Press; 2008.
24. 24. Link WA, Баркер Р.Дж. Байесовский вывод с экологическими приложениями. Burlington Academic Press; 2010 г.
25. 25. Лебретон Дж. Д., Хименес О. Обнаружение и оценка зависимости плотности популяций диких животных. J Wildl Manage. 2013; 77: 12–23.
26. 26. Штробль С. Вечеринка продолжается! Новая условная мера переменной важности для случайных лесов, доступная в пакете Party. Журнал Р. 2009; 1/2: 14–17.
27. 27. Брейман Л. Случайные леса. Машинное обучение 2001; 45: 5–32.
28. 28. Hothorn T, Buehlmann P, Dudoit S, Molinaro A, Van Der Lann M.Ансамбли выживания. Биостат. 2006; 7: 355–373.
29. 29. Штробл С., Булесте А.Л., Зейлис А., Хорхорн Т. Смещение в мерах важности случайных лесных переменных: иллюстрации, источники и решение. BMC Bioinformatics 2007; 8: 25. Доступно по адресу: http://www.biomedcentral.com/1471-2105/8/25 pmid: 17254353
30. 30. Штробль С., Булесте А.Л., Кнейб Т., Огюстин Т., Зейлейс А. Важность условных переменных для случайных лесов. BMC Bioinformatics 2008; 9: 307. Доступно по адресу: http: // www.biomedcentral.com/1471-2105/9/307 pmid: 18620558
31. 31. Лин Y, Jeon Y. Случайные леса и адаптивные ближайшие соседи. J Am Stat Assoc. 2006; 101: 578–590.
32. 32. Де’ат Дж., Фабрициус К.Э. Деревья классификации и регрессии: мощный, но простой метод анализа экологических данных. Ecol. 2000; 81: 3178–3192.
33. 33. Штробл С., Малли Дж., Тутц Г. Введение в рекурсивное разбиение: обоснование, применение и характеристики деревьев классификации и регрессии, мешков и случайных лесов.Psych Meth. 2009; 14: 323–348.
34. 34. Hothorn T, Hornik K, Zeileis A. Несмещенное рекурсивное разбиение: структура условного вывода. J Comp и Graph Stat. 2006; 15: 651–674.
35. 35. Прадель Р. Использование метода отлова-пометки-повторной поимки для изучения пополнения и темпов роста популяции. Биометрия 1996; 52: 703–709.
36. 36. Брауни С., Робсон Д.С. Оценка зависящих от времени коэффициентов выживаемости по образцам повторного обнаружения меток: обобщение модели Джолли-Себера.Биометрия 1983; 39: 437–453.
37. 37. Хайнс Дж. Э., Николс Дж. Д. Исследования потенциальной систематической ошибки при оценке λ с использованием модели Праделя (1996) для данных по захвату-повторному поимку. J Appl Stat. 2002; 29: 573–587.
38. 38. Шаффер М. Минимальные жизнеспособные популяции: преодоление неопределенности. В: Soulé ME, редактор. Жизнеспособные популяции для сохранения. Кембридж, Соединенное Королевство, Издательство Кембриджского университета; 1987, с. 69–86.
39. 39. Миллс LS. Сохранение популяций дикой природы.Молден, Массачусетс, издательство Blackwell Publishing; 2007.
40. 40. Хочачка В.М., Каруна Р., Финк Д., Мансон А., Ридевальд М., Сорокина Д. и др. Обнаружение закономерностей и процессов в экологических системах с помощью интеллектуального анализа данных. J Wildl Manage. 2007; 71: 2427–2437.
41. 41. Келлинг С., Хочачка В.М., Финк Д., Ридевальд М., Каруана Р., Баллард Г. и др. Наука с интенсивным использованием данных: новая парадигма исследований биоразнообразия. BioSci. 2009; 59: 613–620.
42. 42. Hebblewhite M, Percy M, Serrouya R.Выживание и демография черного медведя ( Ursus americanus ) в долине реки Боу в национальном парке Банф, Альберта. Biol Cons. 2002; 112: 415–425.
43. 43. Freedman AH, Portier KM, Sunquist ME. Анализ истории жизни черных медведей ( Ursus americanus ) в меняющемся демографическом ландшафте. Ecol Modeling 2003; 167: 47–664.
44. 44. Beston JA. Изменения в истории жизни и демографии американского черного медведя. J Wildl Manage. 2011; 75: 1588–1596.
45. 45. Линденмайер Д.Б., Пигготт МП, Винтл Б.А. Подсчет книг во время горения библиотеки: зачем программам природоохранного мониторинга нужен план действий. Frontiers in Ecol and the Environ. 2013; 11: 549–555.
46. 46. Кендалл WL, Мур CT. Максимизация полезности мониторинга для адаптивного управления природными ресурсами. В: Гитцен Р.А., Миллспо Дж. Дж., Купер А.Б., Лихт Д.С., редакторы. Дизайн и анализ долгосрочных исследований по экологическому мониторингу. Нью-Йорк, Нью-Йорк, издательство Кембриджского университета; 2012, стр.74–98.
47. 47. Уильямс Б.К., Браун Э.Д. Адаптивное управление: Руководство по приложениям Министерства внутренних дел США. Рабочая группа по адаптивному управлению, Министерство внутренних дел США, Вашингтон, округ Колумбия; 2012.