Most countries are vulnerable to novel pest invasions and under‐report the diversity of tree pests
Notice bibliographique
Résumé
Abstract Aim Tree pests have major impacts in both natural and agricultural systems. Despite their ecological and economic importance, it is likely that pests go unreported in many regions. Using a global dataset of tree pests and multiple metrics of pest diversity standardized for host availability, we describe the biogeography of under‐reporting and reveal potential for future pest invasions. Location Global. Time period Contemporary. Major taxa studied Pathogens, insect pests and native tree hosts. Methods We assembled the global distributions of 3,828 tree pests and 2,689 host tree species across 226 countries, and calculated two metrics of pest diversity that account for host availability: pest saturation (i.e., the proportion of the known pests of native host trees present with countries) and pest deficit (the number of known pests of native trees that have not yet been reported in countries). We used Bayesian regression models to identify how sampling, socio‐economic variables, climate and ecological drivers affect estimates of pest saturation and deficit. Results We show that most countries are reported to have fewer than 50% of the pests for which native hosts are available—corresponding to hundreds of additional pest species per country. Pest saturation was lowest in Africa and central Asia, while pest deficit was highest in eastern Europe. Accounting for research output, pest saturation was higher in warmer and wetter countries, while pest deficit was highest in countries with greater host phylogenetic diversity. Low saturation and high deficit even in well‐documented countries suggest a considerable potential for pest range expansion if barriers to dispersal are lowered. Main conclusions Our findings indicate that, although all countries could potentially host additional pests, countries with low research output and high host diversity should be prioritized for future pest discovery and surveillance to ensure timely detection and implementation of pest mitigation strategies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».