Using functional traits to predict pollination services: A review
Notice bibliographique
Résumé
Pollination is a fundamental ecosystem service. Predictive and mechanistic models linking pollinator community structure to pollination services increasingly incorporate information on unique functional differences among species, so called effects traits. There is little consensus as to which traits are most important in supporting pollination services at either an individual or community level. Here, we synthesise the state of current knowledge regarding the role and efficacy of traits for predicting pollination, as well as the use of different methods for describing the trait structure of pollinator assemblages. We find a wide range of traits are currently used to predict pollination services, including morphological, behavioural and phenological characteristics. However, we show that the evidence demonstrating their importance is often limited or mixed. There is a trade-off in how traits are used between those that are easier to measure, available for many species but have only limited evidence for their role in pollination, vs. those that are harder to measure but with a more robust link with pollination service delivery. We highlight how community weighted means and measures of functional diversity offer important, albeit different insights into pollination service delivery. We discuss how their relative importance is likely to depend on the goals of the study. To maximise fully the utilisation of traits to predict pollination services, future research should be directed towards the widespread and consistent validation of the links among different traits and the pollination service across crop and semi-natural plant communities. Ideally this also needs to address geographical and taxonomic biases in trait collection.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».