Improving biodiversity surrogates for conservation assessment: A test of methods and the value of targeted biological surveys
Notice bibliographique
Résumé
Abstract Aim Conservation assessment and planning across extensive regions rely on the use of mapped or modelled surrogates because direct field‐based inventories of biodiversity rarely provide complete spatial coverage. Surrogates are assumed to represent spatial patterns in the distribution of biodiversity, yet the validity of this assumption is rarely evaluated. Here, we use data from new biological surveys targeting poorly known taxonomic groups across sparsely surveyed landscapes to test: (1) the performance of established and novel surrogates; and (2) the value of targeted survey data in further improving surrogate effectiveness. Location Continental Australia. Methods Surrogates were derived from either mapped land classifications (bioregions, vegetation types), or models of spatial turnover in biodiversity composition. Models were derived by linking best‐available biological observations to high‐resolution mapped climate, terrain and soil attributes using generalized dissimilarity modelling (GDM). The performance of surrogates was evaluated using survey data for eight biological groups collected as part of the Bush Blitz programme ( http://bushblitz.org ). For theGDM‐based surrogates, within‐ and cross‐taxon performance was first evaluated for models fitted to biological data available prior to Bush Blitz, and then for models enhanced through the addition of the Bush Blitz data. Results All of the tested surrogates performed significantly better than random across all eight biological groups.GDM‐based surrogates performed over 10% better on average than the best performing combination of mapped land classifications. The addition of Bush Blitz targeted data inGDM‐based surrogates led to further improvements in surrogate performance. Main conclusions Our results support continued investment in targeted biological survey programmes to enhance the performance of surrogates and ensure that surrogates represent a wider breadth of biodiversity. The strong performance of compositional turnover modelling, relative to mapped land classifications, suggests that this surrogate strategy deserves greater consideration in future conservation assessments and has potential for use in continental‐scale monitoring of biodiversity.
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 | 0,076 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».