Is invasion history a useful tool for predicting the impacts of the world's worst aquatic invasive species?
Notice bibliographique
Résumé
The ecological impact stemming from a biological invasion is the most poorly understood aspect of the invasion process. While forecasting methods are generally lacking, a potential means of predicting future impacts is to examine the effects caused by a nonindigenous species (NIS) at previously invaded locations, i.e., its invasion history. However, given the context dependence of impact and the scarcity of data, it is uncertain whether invasion history can in fact be used to forecast the effects of most introduced species. Using a sample of 19 aquatic NIS listed with the IUCN's 100 World's Worst Alien Invasive Species, we reviewed the literature to determine (1) the amount of information currently available concerning their ecological impacts, (2) if the effects reported to be caused by each NIS are consistent across multiple studies, and (3) whether their invasion histories provide sufficient quantitative information to assess and forecast the severity of their impacts on recipient environments. As a case study, we conducted a meta-analysis and developed models that relate the severity of the impacts of a well-documented invader, common carp (Cyprinus carpio), to two potential predictor variables: biomass and time since introduction. We then tested whether models developed from one set of observations can predict the severity of impacts reported at other sites. Models incorporating biomass and pre-impact conditions explained 91% of the variation in carp impact severity at new locations (i.e., those not used to build the models). For most other NIS, limited availability of comparable quantitative data currently prevents the development of similar empirical models for predicting the severity of future impact. Nonetheless, invasion history can often be used to develop informative predictions concerning the type and direction of impacts to be expected at novel recipient sites.
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 | 0,018 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,009 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».