The power of eDNA sampling to investigate the impact of Australian mega-fires on platypus occupancy
Notice bibliographique
Résumé
Fire plays an important role in many ecosystems, but megafires are increasing the area burnt in forested regions globally. The 2019–2020 megafires in south-eastern Australia were unprecedented with respect to area burnt and the spatial extent of high-severity fire. Yet, there is limited knowledge regarding the impact of these megafires on biodiversity, especially aquatic fauna. Here we investigate the impact of the 2019–2020 megafires on the distribution of a semi-aquatic monotreme thought to be in decline: the platypus, Ornithorhynchus anatinus. We leveraged extensive pre-fire environmental DNA (eDNA) sampling and coupled this with additional sampling at two timepoints post-fire, to conduct a Before-After-Control-Impact (BACI) study. We used site occupancy-detection modelling to estimate platypus occupancy across fire affected and non-fire affected sites over time as well as the interaction between occupancy, high rainfall, and fire severity. We detected a negative effect of fire presence on platypus occupancy in both post-fire time periods. Platypus occupancy was also predicted to be lower at sites that experienced high rainfall post-fire and were situated within watersheds that had a large proportion burnt at high-severity. With area burnt and the extent of high-severity fire increasing globally, and predictions of more extreme rainfall events in south-eastern Australia in the future, the impact of fire on aquatic fauna requires greater consideration in post-fire assessments and biodiversity management more generally. The use of eDNA sampling and detection methods in a BACI framework provides a promising means to fill these knowledge gaps but does require pre-emptive sampling.
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 | 0,001 | 0,001 |
| 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 ».