Identifying invasive species threats, pathways, and impacts to improve biosecurity
Notice bibliographique
Résumé
Abstract Managing invasive species with prevention and early‐detection strategies can avert severe ecological and economic impacts. Horizon scanning, an evidence‐based process combining risk screening and consensus building to identify threats, has become a valuable tool for prioritizing invasive species management and prevention. We assembled a working group of experts from academic, government, and nonprofit agencies and organizations, and conducted a multi‐taxa horizon scan for Florida, USA, the first of its kind in North America. Our primary objectives were to identify high‐risk species and their introduction pathways, to detail the magnitude and mechanism of potential impacts, and, more broadly, to demonstrate the utility of horizon scanning. As a means to facilitate future horizon scans, we document the process used to generate the list of taxa for screening. We evaluated 460 taxa for their potential to arrive, establish, and cause negative ecological and socioeconomic impacts, and identified 40 potential invaders, including alewife, zebra mussel, crab‐eating macaque, and red swamp crayfish. Vertebrates and aquatic invertebrates posed the greatest invasion threat, over half of the high‐risk taxa were omnivores, and there was high confidence in the scoring of high‐risk taxa. Common arrival pathways were ballast water, biofouling of vessels, and escape from the pet/aquarium/horticulture trade. Competition, predation, and damage to agriculture/forestry/aquaculture were common impact mechanisms. We recommend full risk analysis for the high‐risk taxa; increased surveillance at Florida's ports, state borders, and high‐risk pathways; and periodic review and revision of the list. Few horizon scans detail the comprehensive methodology (including list‐building), certainty estimates for all scoring categories and the final score, detailed pathways, and the magnitude and mechanism of impact. Providing this information can further inform prevention efforts and can be efficiently replicated in other regions. Moreover, harmonizing methodology can facilitate data sharing and enhance interpretation of results for stakeholders and the general public.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».