Detecting Rare Species With Passive Sampling Tools: Optimizing the Duration and Frequency of Sampling for Benthic Taxa
Notice bibliographique
Résumé
The choice of the duration and frequency of sampling to detect relevant patterns in field experiments or for environmental monitoring is always challenging since time and material resources are limited. In practice, duration and frequency of sampling are often chosen based on logistical constraints, experience, or practices described in published works but are rarely justified and almost never optimized before initiating sampling. Settlement plates are commonly used as a passive sampling tool to study recruitment patterns of fouling organisms (including non-indigenous species) and their deployment is amenable to experimentation with respect to manipulating duration and frequency of sampling. This study aimed to determine the optimal sampling strategy to detect rare species (e.g., a non-indigenous species early in the invasion process when its population size is still small). To do so, we deployed a series of settlement plates of various durations (1–32 days) and sampling frequencies (daily to biweekly) during the seasonal onset of recruitment, when larval supply was low, a situation that mimics the low propagule pressure of the early stages of the invasion process. We demonstrated that a combination of longer sampling duration and higher sampling frequency was the best strategy to maximize taxonomic richness. However, we found that an intermediate sampling duration of 1–2 weeks was optimal for detecting most species. These results can guide species-specific and assemblage-level sampling strategies using settlement plates. Additionally, this study can serve as a practical template for optimizing sampling of other taxonomic groups that were not examined in the present study as well as for the use of other methods.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».