Estimating regional species richness: The case of China's vascular plant species
Notice bibliographique
Résumé
Abstract Aim The estimation of regional species richness has been a major challenge in ecology but is crucial for setting up conservation priorities. Discovery curves are a principal tool for estimating regional richness, but they have been criticized for being too sensitive to historical fluctuations in species discovery. In this study we propose a new discovery model that considers historical influences. We have applied the model to estimate the number of vascular plant species in China, a country of mega‐biodiversity that has also suffered endless wars and social turmoil in its modern history. Location China. Time period 1755–2000. Major taxa studied Vascular plant species. Methods We compiled the discovery time for each vascular species from the complete volumes ofFlora of China, leading to 31,220 valid species names. We applied our model to these data and compared the performance of our model with existing discovery models and two other methods (species–area relationships and a taxonomic rank curve model). We also tested our model with three other independent datasets and one simulation study. Results Our new method estimated there to be 36,554 (± 2,708) vascular plant species in China. Our model accounted very well for the effect of historical events and was robust to different periods of data that were used to estimate the total richness. Our model outperformed all other models that were compared. We found that 5,334 species remained to be discovered in China and it would take about 50 years to discover all the species should the current discovery rate of 110 species per year persist. Main conclusions Species discovery curves, with historical effects being properly accounted for, offer a promising tool for estimating regional species richness. Our model is robust to the effect of historical events and provides by far the most accurate and reliable estimates of species richness of test data, including vascular plant richness in China.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».