Species composition, richness, and diversity of weed communities of winter arable land in relation to geo-environmental factors: a gradient analysis in mainland Italy
Notice bibliographique
Résumé
The interest in knowledge of the weed communities of arable land is growing worldwide. Italy is one of the countries in Europe that is the most biodiverse, geographically and environmentally heterogeneous, and rich in arable weed species. Thus, in this study, the geo-environmental factors influencing the floristic composition, the species richness, and the Shannon diversity of weed communities of Italian winter arable crops were investigated along a gradient across mainland Italy. Original data were collected in the spring of 2018 in 106 winter cereal and legume arable fields from one fixed area plot per field. Environmental and geographic data were retrieved for each plot, including latitude, longitude, elevation, soil texture, soil pH, continentality, temperature, and precipitation. The effect of crop type was also tested. Latitude was the main driver of floristic differentiation between the studied plant communities, followed by precipitation, temperature, continentality, elevation, and longitude. Soil features and crop type had no significant effects. Higher values of species richness and Shannon diversity were found in southern areas and at higher elevations. Significant explanatory variables accounted for 11.55% of the total variation in species composition of the surveyed communities. The results are discussed and compared with those of similar studies in other Eurasian countries.
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 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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».