Scientific floras can be reliable sources for some trait data in a system with poor coverage in global trait databases
Notice bibliographique
Résumé
Abstract Aim Trait‐based approaches are increasingly important in ecology and biogeography, but progress is often hampered by the availability of high‐quality quantitative trait data collected in the field. Alternative sources of trait information include scientific floras and taxonomic monographs. Here we test the reliability and usefulness of trait data acquired from scientific floras against trait values measured in the field, and those in TRY, the most comprehensive global plant trait database. Location Tenerife and La Palma, Canary Islands, Spain. Methods We measured leaf area and specific leaf area (SLA) in the field for 451 native vascular plant species and compared them with equivalent trait data digitised from the most recent and comprehensive guide of the Canarian flora, and data sourced from TRY. We regressed the field‐measured traits against their equivalents estimated from the literature and used the regression models from one island to predict the trait values on the other island. Results For leaf area, linear models showed good agreement between values from the scientific flora and those measured in the field ( r 2 = 0.86). These models were spatially transferable across islands. In contrast, for SLA we found a weak relationship between field‐measured values and the best estimates from the scientific flora ( r 2 = 0.11). Insufficient data were available in the TRY database for our study area to calculate trait correlations with other data sources. Conclusions Scientific floras can act as useful data sources for quantitative plant trait data for some traits but not others, whilst the TRY database contains many traits, but is incomplete in species coverage for our study region, and oceanic islands in general.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».