Assessing the invasion threat of non-native plant species in protected areas using Herbarium specimen and ecological survey data. A case study in two rangeland bioregions in Queensland
Notice bibliographique
Résumé
Naturalised non-native plants that become invasive pose a significant threat to the conservation of biodiversity in protected areas (areas dedicated and managed for long-term conservation of nature), economic productivity of agricultural businesses, and societal impacts including community, culture infrastructure and health. Quantifying the spread, potential dominance and invasion threat of these species is fundamental to effective eradication and development of threat mitigation policy. But this is often hampered by the lack of comprehensive data. This study used existing ecological survey data from 2548 sites and 64 758 Herbarium specimen records to document the status and abundance of non-native plants in two case study bioregions, Cape York Peninsula (CYP) and the Desert Uplands (DEU) in Queensland covering a total area of 186 697 km2. There were 406 non-native species in the CYP, 186 (45.6%) of which are known environmental weeds and 159 non-natives in DEU, of which 69 (43.5%) are environmental weeds. Inside the protected areas, there were 98 species of environmental weeds in CYP, 27 of which are listed as weeds of State significance (Weeds of National Significance (WONS), Queensland declared and non-declared pest plants categories). In DEU, there were 18 environmental weeds inside protected areas and none of them was listed as a weed of State significance. Non-native species that recorded foliage cover dominance in the ecological site data are generally recognised as environmental weeds in Queensland. The threat of weeds from outside of protected areas was serious, with 41 weeds of State significance found in CYP, five of which are WONS, and 25 weeds of State significance found in DEU, 10 of which are WONS.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».