Upscaling biodiversity: estimating the species–area relationship from small samples
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The challenge of biodiversity upscaling, estimating the species richness of a large area from scattered local surveys within it, has attracted increasing interest in recent years, producing a wide range of competing approaches. Such methods, if successful, could have important applications to multi‐scale biodiversity estimation and monitoring. Here we test 19 techniques using a high quality plant data set: the GB Countryside Survey 1999, detailed surveys of a stratified random sample of British landscapes. In addition to the full data set, a set of geographical and statistical subsets was created, allowing each method to be tested on multiple data sets with different characteristics. The predictions of the models were tested against the “true” species–area relationship for British plants, derived from contemporaneously surveyed national atlas data. This represents a far more ambitious test than is usually employed, requiring 5–10 orders of magnitude in upscaling. The methods differed greatly in their performance; while there are 2,326 focal plant taxa recorded in the focal region, up‐scaled species richness estimates ranged from 62 to 11,593. Several models provided reasonably reliable results across the 16 test data sets: the Shen and He and the Ulrich and Ollik models provided the most robust estimates of total species richness, with the former generally providing estimates within 10% of the true value. The methods tested proved less accurate at estimating the shape of the species–area relationship (SAR) as a whole; the best single method was Hui's Occupancy Rank Curve approach, which erred on average by <20%. A hybrid method combining a total species richness estimate (from the Shen and He model) with a downscaling approach (the Šizling model) proved more accurate in predicting the SAR (mean relative error 15.5%) than any of the pure upscaling approaches tested. There remains substantial room for improvement in upscaling methods, but our results suggest that several existing methods have a high potential for practical application to estimating species richness at coarse spatial scales. The methods should greatly facilitate biodiversity estimation in poorly studied taxa and regions, and the monitoring of biodiversity change at multiple spatial scales.
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.
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 | 0,001 | 0,001 |
| 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) | 0,003 | 0,001 |
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 découle