Using the Species–Area Relationship to Set Baseline Targets for Conservation
Notice bibliographique
Résumé
This paper demonstrates how the power form of the Species-Area Relationship (SAR) can be used to set conservation targets for land classes using biodiversity survey data. The log-transformation of the power model is a straight line; therefore, if one knows the average number of species recorded per survey site and can estimate the true species number present in the land class, using EstimateS software, it is possible to calculate the slope of the curve, or z-value. The z-value is the exponent in the power model and it can then be used to estimate the proportion of area required to represent a given proportion of species present in any land class. This application of the SAR is explored using phytosociological relevé data from South Africa's Succulent Karoo biome. We also provide suggestions for extrapolating the estimated z-values to other land classes within a bioregion that lack sufficient survey data, using the relationship between z-values and remotely determined landscape variables such as habitat diversity (topographic diversity) and geographic location (latitude and longitude). The SAR predicts that for most Succulent Karoo vegetation types a conservation target of 10% of the land area would not be sufficient to conserve the majority of species. We also demonstrate that not all land classes are equal from a plant biodiversity perspective, so applying one target to all land classes in a region will lead to significant gaps and inefficiencies in any reserve network based on this universal target.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».