Landscape Patterns of Rare Vascular Plants in the Lower Athabasca Region of Alberta, Canada
Notice bibliographique
Résumé
Predicting habitat for rare species at landscape scales is a common goal of environmental monitoring, management, and conservation; however, the ability to meet that objective is often limited by the paucity of location records and availability of spatial predictors that effectively describe their habitat. To address this challenge, we used an adaptive, model-based iterative sampling design to direct four years of rare plant surveys within 0.25 ha plots across 602 sites in northeast Alberta, Canada. We used these location records to model and map rare plant habitats for the region using a suite of geospatial predictors including airborne light detection and ranging (LiDAR) vegetation structure metrics, land cover types, soil pH, and a terrain wetness model. Our results indicated that LiDAR-derived vegetation structural metrics and land cover were the most important individual factors, but all variables contributed to predicting the occurrence of rare plants. For LiDAR variables, rarity was negatively related to maximum canopy height, but positively related to canopy relief ratio. Rarity was therefore more likely in places with shorter canopy heights and greater structural complexity. This included fens, which overall had the highest rates of rare plant occurrence. Model-based allocation of sampling led to detections of uncommon species at nearly all sites, while the rarest species in the region were detected at an average encounter rate of 8%. Landscape predictions of rare plant habitat can improve our understanding of environmental limits in rarity, guide local management decisions and monitoring plans, and provide regional tools for assessing impacts from resource development.
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 ».