Using woody genera for phytogeographic regionalization at a medium scale: a case study of Italy
Notice bibliographique
Résumé
We present a phytogeographic regionalization based on native woody flora, identifying the most useful taxonomic level, geographic variables, and orographic pattern, selecting Italy as a case study. We generated seven distance matrices among the 20 administrative regions, and using Pearson’s correlation coefficients and PCA, we verified whether distances between regions were invariant across the different sampling strategies. Once this invariance was established, we focused on genera representation. We defined two orographic indices and performed Kruskal–Wish multidimensional scaling and K-means clustering to assess Italy’s phytogeographic regionalization. A major north–south and a minor east–west gradient described the relationships between regions. Floristic diversity was strongly correlated with the region’s orography, with hills being the most important orographic feature that increased plant diversity; the effect of the orographic patterns was independent from the geographic clines observed. Despite the coarse scale, our phytogeographic regionalization comprising six clusters (variables = 133 woody genera) was consistent with previous ones based on the endemic flora (variables = 1371 units) or on bioclimatic approaches. In particular, the phytogeographic uniqueness of Northern and peninsular Italy, and of Sardinia Island, was confirmed. The next step will be to test our method at a finer scale.
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) | 0,000 | 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 ».