Quantifying and linking mechanism scenarios to invasive species impact
Notice bibliographique
Résumé
Plant species invasion represents one of the major drivers of biodiversity change globally, yet there is confusion about the nature of nonindigenous species (NIS) impact. This confusion stems from differing notions of what constitutes invasive species impact and the scales at which it should be assessed. At local scales, the mechanisms of the impact on local competitors can be classified into four scenarios: (1) minimal impact from NIS inhabiting unique niches; (2) neutral impact spread across the community and proportional to NIS abundance; (3) targeted impact on a small number of competitors with overlapping niches; and (4) pervasive impact that is disproportionate to NIS abundance and caused by modifications that filter out other species. I developed a statistical test to distinguish these four mechanism scenarios based on plant community rank-abundance curves and then created a scale-independent standardized impact score. Using an example long-term dataset with high native plant diversity and an abundance gradient of the invasive vine, Vincetoxicum rossicum, I show that the impact resulted in either targeted or pervasive extirpations. Regardless of whether the NIS impact is neutral, targeted, or pervasive, the net outcome will be the homogenization of ecosystems and reduced biodiversity at larger scales, perhaps reducing ecosystem resilience. The framework and statistical evaluation of impact presented in this paper provide researchers and managers with an objective approach to quantifying NIS impact and prioritizing species for further management actions.
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 | 0,001 | 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) | 0,003 | 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 ».