Not all matrix habitat is created equal for rare bee species in forest habitat
Notice bibliographique
Résumé
1. Anthropogenic land‐use change alters the ecological communities in a landscape's remaining natural habitat. These matrix effects are understudied in rare species, which comprise a majority of biodiversity, contribute to ecosystem services, and are particularly vulnerable to population declines. 2. This study used bee species survey data from New Jersey forest fragments, in conjunction with an independent museum data set, to identify rare bee species and developed regularised regularised regression models of matrix effects on their richness and abundance. 3. By using a regularised modelling approach, this study explains 44.43% of variation in rare bee species richness between forest fragments and 27.27% of variation in their abundance (average adjusted R 2 ). 4. The present study's results identified specific subcategories of urban land use in the surrounding 1000 m of forest fragments that explained patterns in rare bee species richness and abundance, providing insights into how to select forest fragments to conserve rare bees. Low priority should be given to fragments in close proximity to high‐ and medium‐density housing, which likely harms rare bees by increasing impervious surface cover. Low priority should also be given to fragments near golf courses and athletic fields; this study speculates that these land uses harm rare bees through mowing and pesticide application. Finally, high priority should be given to fragments composed of a larger proportion of mature forest, which likely provides a greater diversity of native floral resources. Altogether, this study's model results reveal the importance of matrix habitats for the biodiversity of rare species in forest fragments.
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 ».