Assessing non‐parametric and area‐based methods for estimating regional species richness
Notice bibliographique
Résumé
Abstract Questions Many methods have been developed to estimate species richness but few are useful for estimating regional richness. We compared the performance of commonly used non‐parametric and area‐based estimators with a particular focus on testing a newly developed but little tested maximum entropy method (MaxEnt). Location Tropical forest of Jianfengling Reserve, Hainan Island, China. Methods We extrapolated species richness on 12 estimators up to a larger regional scale – the reserve (472 km 2 ) – where 164 25 m × 25 m quadrats were distributed on a grid of 160 km 2 within the tropical forest. We also analysed the effects of base (or ‘anchor‘) scale A 0 on the species richness estimated ( S est ) with MaxEnt. Results Six non‐parametric methods underestimated the species richness, while six area‐based methods overestimated the species richness. The accuracy of the MaxEnt estimate ( S est ) was improved with the increase of base scale A 0 . Conclusions Our findings suggest non‐parametric methods should not be used to estimate richness across heterogeneous landscapes but can be used in well‐defined sampling areas. Jack2 is the best of the six non‐parametric methods, while the logistic model and the MaxEnt method seem to be the best of the six area‐based methods. Improvements to the MaxEnt method are possible but that will require reformulation of the method by considering species–abundance distributions other than log‐series and more general spatial allocation rules.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,040 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».