Using a trait‐based dark diversity approach to evaluate natural recovery potential in forests
Notice bibliographique
Résumé
Utilizing ecosystems' natural recovery potential is crucial for enhancing the scale and efficacy of restoration efforts. However, this potential is currently underutilized in restoration ecology, and barriers to natural species recruitment remain poorly understood. In this study, we develop an analytical framework that combines trait‐based and dark diversity approaches to evaluate understory plant community recovery in smelter‐impacted forests and identify factors limiting recovery for absent species. A community completeness index (CCI) was calculated in 18 naturally recovering smelter‐impacted forests and three reference forests in Sudbury, Ontario, Canada. The CCI was used to identify sites that deviate the most from their target communities and was compared to traditionally used indicators of plant recovery. Community weighted means (CWM) of traits for observed and dark diversity species were compared, and principal components analysis was used to identify relationships between traits of observed and missing species among study sites. Species unable to recover passively (i.e. with high dark diversity probabilities) were generally tall and/or large seeded. Understory plant community recovery was structured along two functional gradients, plant economics and size, which both coincided with distance to the smelter. Dark diversity and trait analyses were useful for identifying barriers to natural recovery and, therefore, providing guidance on targeted restoration actions. We conclude by discussing the limitations and opportunities of the dark diversity approach in a restoration context, highlighting the importance of carefully defining habitat‐specific species pools and critically assessing the ecological significance of dark diversity probabilities.
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 ».