Predicting plant species richness in forested landslide zones using geostatistical methods
Notice bibliographique
Résumé
Landslides, like most natural disturbances, facilitate the evolution of new plant species. Hence, a detail characterization of topographic conditions can improve the prediction and mapping of species in such complex terrains. Within the Outer (Flysch) Upper Carpathian region, south Poland, we analyze the role of convergence points prepared in a previous study from slope and slope exposition (aspect) data, derived from a 1 m digital elevation model. Convergence points reflected microscale variability in topographic conditions and were analyzed in this study as convergence point density (CPD). Our objective was to use CPD to predict species richness on forested landslides using three geostatistical methods; Ordinary kriging (OK), Ordinary cokriging (OCK), and regression kriging (RK). Our results showed a relatively high correlation (r ∼ 0.65) between species richness and CPD compared to slope or slope exposition or with both. OCK and RK generally improved prediction. However, the application of cokriging in such terrains remains challenging and will not be appropriate, particularly if species richness has a small sample size. RK outperformed OK and OCK, decreasing the root mean square error (RMSE) by 33% and 10%, respectively. RK was also more robust to topographic heterogeneity and the limited number of observations than OCK. We conclude that a denser sampling of species composition or a more robust indicator is needed to improve these results. Notwithstanding these limitations, our results can be used as the first step to support short-term conservation efforts, especially when time-dependent changes in species composition are unimportant.
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 | 0,001 | 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 | 0,000 |
| 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) | 0,007 | 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 ».