Predicting Occurrence, Abundance, and Fruiting of a Cultural Keystone Species to Inform Landscape Values and Priority Sites for Habitat Enhancements
Notice bibliographique
Résumé
Environmental niche modeling is an increasingly common tool in conservation and management of non-timber species. In particular, models of species’ habitats have been aided by new advances in remote sensing and it is now possible to relate forest structure variables to understory species at a relatively high resolution over large spatial scales. Here, we model landscape responses for a culturally-valued keystone shrub, velvet-leaf blueberry (Vaccinium myrtilloides Michaux), in northeast Alberta, Canada, to better understand the environmental factors promoting or limiting its occurrence, abundance, and fruit production, and to guide regional planning. Occurrence and abundance were measured at 845 and 335 sites, respectively, with both strongly related to land cover type and topo-edaphic factors. However, their influence varied widely, reflecting differences in the processes affecting occurrence and abundance. We then used airborne laser scanning (ALS) to characterize horizontal forest canopy cover for the study area, and related this and other geospatial variables to patterns in fruit production where we demonstrated a five-fold increase in fruit production from closed to open forest stands. We then simulated forest canopy thinning across the study area to identify places where gains in fruit production would be greatest following natural disturbance or directed management (e.g., thinning, prescribed burning). Finally, we suggest this approach could be used to identify sites for habitat enhancements to offset direct (land use change) or indirect (access) losses of resources in areas impacted with resource extraction activities, or simply to increase a culturally-valued resource through management.
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) | 0,001 | 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 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 ».