Modelling the damage costs of invasive alien species
Notice bibliographique
Résumé
Abstract The rate of biological invasions is growing unprecedentedly, threatening ecological and socioeconomic systems worldwide. Quantitative understandings of invasion temporal trajectories are essential to discern current and future economic impacts of invaders, and then to inform future management strategies. Here, we examine the temporal trends of cumulative invasion costs by developing and testing a novel mathematical model with a population dynamical approach based on logistic growth. This model characterises temporal cost developments into four curve types (I–IV), each with distinct mathematical and qualitative properties, allowing for the parameterization of maximum cumulative costs, carrying capacities and growth rates. We test our model using damage cost data for eight genera ( Rattus , Aedes , Canis , Oryctolagus , Sturnus , Ceratitis , Sus and Lymantria ) extracted from the InvaCost database—which is the most up-to-date and comprehensive global compilation of economic cost estimates associated with invasive alien species. We find fundamental differences in the temporal dynamics of damage costs among genera, indicating they depend on invasion duration, species ecology and impacted sectors of economic activity. The fitted cost curves indicate a lack of broadscale support for saturation between invader density and impact, including for Canis , Oryctolagus and Lymantria , whereby costs continue to increase with no sign of saturation. For other taxa, predicted saturations may arise from data availability issues resulting from an underreporting of costs in many invaded regions. Overall, this population dynamical approach can produce cost trajectories for additional existing and emerging species, and can estimate the ecological parameters governing the linkage between population dynamics and cost dynamics.
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 | 0,001 |
| 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) | 0,003 | 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 ».