PollMap: a software for crop pollination mapping in agricultural landscapes
Notice bibliographique
Résumé
Abstract Background Ecosystem service mapping is an important tool for decision-making in landscape planning and natural resource management. Today, pollination service mapping is based on the Lonsdorf model (InVEST software) that determines the availability of nesting and floral resources for each land cover and estimates pollination according to the foraging range of the desired species. However, it is argued that the Lonsdorf model has significant limitations in estimating pollination in a landscape that can affect the results of this model. Results This paper presents a free software, named PollMap, that does not have the limitations of the Lonsdorf model. PollMap estimates the pollination service according to a modified version of the Lonsdorf model and assumes that only cells within the flight range of bees are important in the pollination mapping. This software is produced for estimating and mapping crop pollination in agricultural landscapes. The main assumption of this software is that in the agricultural landscapes, which are dominated by forest and agriculture ecosystems, forest patches serve only as a nesting habitat for wild bees and the surrounding fields provide floral resources. Conclusion The present study provided new software for mapping crop pollination in agricultural landscapes that does not have the limitations of the Lonsdorf model. We showed that the use of the Lonsdorf model for pollination mapping requires attention to the limitations of this model, and by removing these limitations, we will need new software to obtain a reliable mapping of pollination in agricultural landscapes.
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) | 0,000 | 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 ».