Effectiveness of Environmental Surrogates for the Selection of Conservation Area Networks
Notice bibliographique
Résumé
Abstract: Rapid biodiversity assessment and conservation planning require the use of easily quantified and estimated surrogates for biodiversity. Using data sets from Québec and Queensland, we applied four methods to assess the extent to which environmental surrogates can represent biodiversity components: (1) surrogacy graphs; (2) marginal representation plots; (3) Hamming distance function; and (4) Syrjala statistical test for spatial congruence. For Québec we used 719 faunal and floral species as biodiversity components, and for Queensland we used 2348 plant species. We used four climatic parameter types (annual mean temperature, minimum temperature during the coldest quarter, maximum temperature during the hottest quarter, and annual precipitation), along with slope, elevation, aspect, and soil types, as environmental surrogates. To study the effect of scale, we analyzed the data at seven spatial scales ranging from 0.01° to 0.10° longitude and latitude. At targeted representations of 10% for environmental surrogates and biodiversity components, all four methods indicated that using a full set of environmental surrogates systematically provided better results than selecting areas at random, usually ensuring that ≥90% of the biodiversity components achieved the 10% targets at scales coarser than 0.02°. The performance of surrogates improved with coarser spatial resolutions. Thus, environmental surrogate sets are useful tools for biodiversity conservation planning. A recommended protocol for the use of such surrogates consists of randomly selecting a set of areas for which distributional data are available, identifying an optimal surrogate set based on these areas, and subsequently prioritizing places for conservation based on the optimal surrogate set.
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 | 0,000 | 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 | 0,000 | 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) | 0,004 | 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 ».