Passively crowdsourcing images online for measuring broad-scale fly (Diptera) floral interactions and biodiversity
Notice bibliographique
Résumé
Flies (Diptera) represent one of the largest and most important groups of pollinators on the planet; however, little is known about the interactions between flies and flowers compared to well-known pollinators, such as bees. Understanding pollinator assemblages is key to conserving biodiversity and ecosystem services, but monitoring Diptera is time and cost intensive. Using photographs of blooming flowers taken by photographers worldwide and uploaded on internet repositories, we built a dataset of 1,275 images of fly-flower visitations and extracted fly and flower taxonomic information, flower characteristics (shape and color), and fly activity (pollen carrying and foraging). The resulting dataset shows taxonomic and other biases but can still provide an initial overview of factors that affect pollination by Diptera. We identified 22 families of flies, with blow flies (Family Calliphoridae) most represented (29%) and 63 families of flowers, with Asteraceae (42%) and Apiaceae (21%) as the most common. Using logistic regression, we found that the likelihood of flies carrying pollen was determined by the interaction between flower color and shape: pollen-carrying was more likely when elongate cluster flowers were green-yellow. Fly foraging on flowers was determined by flower color: flies were more likely to feed on green-yellow and white flowers. Overall, Syrphidae flies were less likely to forage for nectar than non-Syrphidae, but were more likely to carry pollen. While biases exist in crowdsourced data, we show that data from photographs collected through citizen science offers potentially valuable information for monitoring pollinator-flower interactions and augment our understanding of pollinator ecology in an era of global insect declines.
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 | 0,000 |
| 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 ».