Factors affecting catches of bark beetles and woodboring beetles in traps
Notice bibliographique
Résumé
Abstract The use of semiochemical-baited traps for detection, monitoring, and sampling bark beetles and woodboring beetles (BBWB) has rapidly increased since the early 2000s. Semiochemical-baited survey traps are used in generic (broad community level) and specific (targeted toward a species or group) surveys to detect nonnative and potentially invasive BBWB, monitor established populations of invasive or damaging native species, and as a tool to survey natural communities for various purposes. Along with expansion in use, much research on ways to improve the efficacy of trapping surveys for the detection of specific pests as well as BBWB in general has been conducted. In this review, we provide information on intrinsic and extrinsic factors and how they influence the efficacy of detecting BBWB in traps. Intrinsic factors, such as trap type and color, and other factors are described, as well as important extrinsic factors such as habitat selection, horizontal and vertical placement, and disturbance. When developing surveys, consideration of these factors should increase the species richness and/or abundance of BBWB captured in traps and increase the probability of detecting nonnative species that may be present. During generic surveys, deploying more than one trap type or color, using an array of lures, and trapping at different vertical and horizontal positions is beneficial and can increase the number of species captured. Specific surveys generally rely on predetermined protocols that provide recommendations on trap type, color, lure, and trap placement.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».