MétaCan
Menu
Retour à la cohorte
Enregistrement W3017656429 · doi:10.5424/fs/2020291-15894

Designing Cluster Plots for Sampling Local Plant Species Composition for Biodiversity Management

2020· article· en· W3017656429 sur OpenAlexaff
Christie Quon, Tzeng Yih Lam, Ho-Tung Lin

Notice bibliographique

RevueForest Systems · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEcology and Vegetation Dynamics Studies
Établissements canadiensWestern Forest Products
Organismes subventionnairesTaiwan Forestry Research InstituteSmithsonian Tropical Research InstituteNational Taiwan UniversityHarvard UniversitySmithsonian Institution
Mots-clésJaccard indexSpecies richnessBiodiversityCluster (spacecraft)Plot (graphics)Similarity (geometry)Sampling (signal processing)Species diversityEcologyGeographyStatisticsBiologyMathematicsComputer scienceCluster analysis

Résumé

récupéré en direct d'OpenAlex

Aim of study: Cluster plot designs are widely used in national forest inventory systems to assess current forest resources. By spreading subplots apart, a cluster plot could potentially capture a large variety of local plant species. This aspect has rarely been examined in the past. This study is conducted to understand how design factors of a cluster plot affect estimates of local plant species composition.Area of study: Two large census forest plots in Taiwan and Peninsular Malaysia over 25 ha with different species richness were used.Material and methods: Design factors of a cluster plot were plot configuration (PCONFIG), plot area (PAREA), cluster layout (CLAYOUT), and extent of ground area covered by a cluster (CEXTENT). Jaccard and Sørensen similarity indices were used to compare species compositional similarity between two cluster plot designs. A simulation study was carried out.Main results: Results were consistent among the study sites and similarity indices. PAREA, CLAYOUT, and CEXTENT notably influenced how species composition was sampled. Larger PAREA increased similarity in species composition between two cluster plot designs. Square and rectangle CLAYOUT had the most dissimilar species composition between them. Larger CEXTENT decreased similarity in species composition.Research highlights: We recommend that for CEXTENT ≤ 1000 m2 and PAREA ≤ 500 m2, a cluster plot of rectangle CLAYOUT is preferred for information gain. The study could potentially benefit forest managers designing cluster plots for plant diversity assessment.Keywords: Biodiversity assessment; composition similarity; national forest inventory; species diversity; sampling design; sampling efficiency.Abbreviation used: extent of ground area covered by a cluster (CEXTENT); cluster layout (CLAYOUT); Jaccard similarity index (JAC); plot area (PAREA); plot configuration (PCONFIG); Sørensen similarity index (SOR).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,901
Score d'incertitude au seuil0,313

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,226
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForest SystemsMême sujetEcology and Vegetation Dynamics StudiesTravaux en français237 207