Importing risk: quantifying the propagule pressure–establishment relationship at the pathway level
Notice bibliographique
Résumé
Abstract Aim To build and assess pathway‐level non‐indigenous species ( NIS ) establishment curves generated using a propagule pressure ( PP ) proxy and historical establishment data. Location North America Methods Our analysis examines the utility and behaviour of pathway‐level NIS establishment curves that relate species‐level PP to establishment probability. Using theoretical and empirical methods, we examine the behaviour of pathway‐level establishment models when species are heterogeneous in their ability to establish. Next, we examine the implications of using PP proxy and historical establishment data to parameterize these models. Finally, we test the model by building an establishment curve for aquarium fish establishments in the United States using import data as a proxy for PP . Results First, we show theoretically how species' heterogeneity and the use of a proxy metric for PP affect model parameterization and the interpretation of the establishment curve. Second, we demonstrate that import data are relatively consistent across space and time for aquarium fish species. Finally, we demonstrate how basic import‐level data can improve our ability to predict which species are at risk of establishment using aquarium fish introductions to the United States as a case study. Main conclusions Pathway‐level analyses generated using species‐level PP information can provide a snapshot of establishment probability for use in risk analyses without in‐depth knowledge of species' abiotic and biotic interactions. Proxy data for PP can be a good metric for such analyses, and valid predictions can be expected when the PP data are relatively consistent across the time period for which establishments are recorded.
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 | 0,009 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».