MétaCan
Menu
← Retour à la cohorte
Enregistrement W3165271045 · doi:10.21203/rs.3.rs-555302/v1

Functional Traits on Cavity-nesting Birds in Subtropical Andean Forest: Response to Logging Activity and Comparing with American Temperate Forests

2021· preprint· en· W3165271045 sur OpenAlexaboutno aff
Alejandro A. Schaaf, Daniela Gómez, Ever Tallei, Constanza G. Vivanco, Román A. Ruggera

Notice bibliographique

RevueResearch Square · 2021
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueEcology and Vegetation Dynamics Studies
Établissements canadiensnon disponible
Organismes subventionnairesConsejo Nacional de Investigaciones Científicas y TécnicasIdea Wild
Mots-clésSpecies richnessEcologyLoggingBiodiversitySpecies evennessAbundance (ecology)Temperate rainforestFunctional diversityHabitatTemperate forestTropical and subtropical moist broadleaf forestsSubtropicsBiologyTemperate climateEcosystemGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Logging causes changes in habitat structure, which can potentially lead to variations in taxonomic and functional richness of biodiversity. In this paper, we examined how logging in subtropical Andean forests has influenced taxonomic and functional diversity of cavity-nesting birds. We used point-counts to examine the effects of logging on taxonomic and functional traits of avian communities (Functional Richness, Functional evenness, Functional Divergence, and Community-weighted mean). We found that logging changes bird richness and abundance, although it had no effect on the functional response to the measured traits. The comparison of our results with those of temperate forests of Canada and Chile reveals differences in the functional richness, with a lower impact of logging on functional traits. We highlight the importance of including functional traits in the analyses, since the reduction in the species richness and abundance may not translate into functional changes within the ecosystem.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0010,000

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 Opus0,051
Tête enseignante GPT0,348
Écart entre enseignants0,296 · 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 source (Gemma direct ou Codex distillé), 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Square→Même sujetEcology and Vegetation Dynamics Studies→Travaux en français237 207→