Detecting a spreading non-indigenous species using multiple methodologies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Johansson ML, Lavigne SY, Ramcharan CW, Heath DD, MacIsaac HJ. Detecting a spreading non-indigenous species using multiple methodologies. Lake Reserv Manage. 36:432–443. Non-indigenous species (NIS) are often introduced to novel environments at very low population abundance. Detecting the presence of such an NIS can be very challenging, particularly as it spreads from the initial establishment site. This provides an opportunity to test detection limits using different approaches. This study tested the detection capability of 3 methods as zebra mussels (Dreissena polymorpha) spread from south to north through Lake Winnipeg, Manitoba, Canada. Zebra mussel veliger larvae were detected using cross-polarized light microscopy (CPLM), flow cytometry and microscopy (FlowCam), and conventional polymerase chain reaction (cPCR) analysis of environmental DNA (eDNA) on the same samples. Abundance generally declined from south to north in the lake but was lowest at Calder’s Dock (central). Although abundances could be quite low (i.e., <1 veliger/m3, Calder’s Dock) CPLM prevalence—the percentage of samples with at least one veliger—was high throughout the lake (99–100% of samples). Prevalence was lower for cPCR and FlowCam but was statistically associated with veliger abundance. Using standardized 3 mL subsamples (0.06–0.18 m3 of lake water sampled), all 3 methods had a high probability of veliger detection if large numbers of samples were processed. FlowCam was the most expensive method to process these 3 mL subsamples, while cPCR was least expensive and fastest. eDNA combined with intensive sampling is the most practical method for wide-scale monitoring programs for early detection. However, all 3 methods are complementary and could be deployed sequentially, with rapid initial sample processing using PCR, confirmation and density estimation with FlowCam, and detailed veliger counts using CPLM.
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.
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 | 0,001 |
| 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 découle