Main drivers of plant diversity patterns of rubber plantations in the Greater Mekong Subregion
Notice bibliographique
Résumé
Abstract. The Greater Mekong Subregion (GMS) is one the global biodiversity hotspots. However, the diversity has been seriously threatened due to environmental degradation and deforestation, especially by expansion of rubber plantations. Yet, little is known about the impact of expansion of rubber plantations on regional plant diversity as well as the drivers for plant diversity of rubber plantations in this region. In this study, we analyzed plant diversity patterns of rubber plantations in the GMS based on a ground survey of a large number of samples. We found that diversity varied across countries due to varying agricultural intensities. Laos had the highest diversity, followed China, Myanmar, and Cambodia. Plant species richness of Laos was about 1.5 times that of Vietnam. We uncovered latitudinal gradients in plant diversity across these artificial forests of rubber plantations and these gradients caused by environmental variables such as temperature. Results of redundancy analysis (RDA), multiple regression, and random forest demonstrated that latitude and temperature were the two most important drivers for the composition and diversity of rubber plantations in the GMS. Meanwhile, we also found that higher dominance of some exotic species (such as Chromolaena odorata and Mimosa pudica) was associated with a loss of plant diversity within rubber plantations; however, not all exotic plants cause the loss of plant diversity in rubber plantations. In conclusion, not only environmental factors (temperature), but also exotic species were the main factors affecting plant diversity of these artificial stands. Much more effort should be made to balance agricultural production with conservation goals in this region, particularly to minimize the diversity loss in Vietnam and Cambodia.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».