Structural and socioeconomic features of cities predict migratory bird species richness
Notice bibliographique
Résumé
Cities are aggregates of human activities where our decisions shape the environment creating heterogeneity across urban centers that can have significant ecological effects on wildlife. Many bird species are found in cities during the breeding season, which implies they find sufficient resources in cities to support them during this energetically costly time. As populations of many migratory bird species are declining, knowledge of how they are affected by urbanization is needed. Yet, we know little about how the species richness of migratory birds varies across different types of cities. Here we ask if cities' structural and socioeconomic features can predict the species richness of migratory birds that generally select different breeding habitats during the breeding season. We used eBird data from census‐designated urban areas in the US to model the relationship between features of cities (housing density, median income, city age, and commuting time), environmental disturbance (measured by the human footprint index) and species richness by fitting generalized linear models to data. We show that commuting time was the most important factor determining species richness across cities and the rest of the city features were weakly associated with species richness. Overall species were responding to city variation in similar ways. While we expected that cities with more disturbance would have lower species richness, our results indicate that some species are able to tolerate even highly disturbed cities and that cities in certain regions may act as a refuge to birds. This knowledge is important for our general understanding of cities as habitat for birds and how migratory birds respond to across‐city variation during the breeding season.
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 ».