MétaCan
Menu
Retour à la cohorte
Enregistrement W3087944349 · doi:10.3390/f11101029

Latitudinal Diversity Gradients and Rapoport Effects in Chinese Endemic Woody Seed Plants

2020· article· en· W3087944349 sur OpenAlexaff
Liu Hua, Ruoyun Yu, Jihong Huang, Yibo Liu, Runguo Zang, Zhongjun Guo, Yi Ding, Xinghui Lu, Qian Li, Han Y. H. Chen

Notice bibliographique

RevueForests · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEcology and Vegetation Dynamics Studies
Établissements canadiensLakehead University
Organismes subventionnairesnon disponible
Mots-clésSpecies richnessLianaEcologyRange (aeronautics)BiologySpecies diversityBiodiversityWoody plantBiogeographySpecies distributionEndemismLatitudeMacroecologyGeographyHabitat

Résumé

récupéré en direct d'OpenAlex

The distribution of plant species diversity has long been a major focus on biogeography. Yet, the universality of the popular Rapoport’s rule remains controversial for endemic plants, as previous studies have focused more on broad-ranged species. Here, we collected data for 4418 endemic woody seed plant species across China, including trees, shrubs, and lianas, to explore the latitudinal patterns of species range size and richness, and test the relevant biogeographic law. The species range size distribution was examined for conformity with Rapoport’s rule using four methods (i.e., Steven’s, Pagel’s, the mid-point, and the across-species method). Spatial patterns of species richness along latitudinal gradient were also investigated by parabolic regression. Results showed that species range size increased with latitude for all species as well as by trees, shrubs and lianas, especially assessed by Pagel’s method. Species richness was highest at low latitude, where species range size was smallest, and decreased with increasing latitude. The species range size and richness of shrubs were maximum, followed by trees then lianas. These findings prove that Rapoport’s rule is strongly supported by latitudinal patterns of species distribution in Chinese endemic woody seed plants.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,414

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 Opus0,008
Tête enseignante GPT0,218
Écart entre enseignants0,210 · 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'étudeObservationnel
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

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestsMême sujetEcology and Vegetation Dynamics StudiesTravaux en français237 207