Shedding light on the diversity of epiphytic mosses in some Mexican forests
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Epiphytic mosses are one of the most common groups in forest environments but among the most neglected by researchers in Mexico. Questions: What is the epiphytic mosses diversity, measured in richness, turnover, and community composition in Mexican forests? Species of study: Epiphytic mosses. Study site and years: Humid mountain forest, pine-oak and tropical evergreen forests. Study period: 2015 to 2021. Methods: Through a literature review and field work we compiled data on epiphytic mosses in three forest types in Mexico. We assessed the data using alpha and beta diversity analysis, indicator species, and community composition. Additionally, we explored the influence of elevation and forest type on the observed diversity patterns. Results: We report a richness of 147 species of epiphytic mosses across three types of Mexican forests. The humid mountain forest was the best sampled forest with the highest moss species richness. Although species richness is different for the forests studied, species turnover is similar among them. We demonstrated that elevation and forest type are highly correlated with species richness of epiphytic mosses. Conclusions: The epiphytic mosses studied here collectively represent over 15 % of the moss richness of Mexico. Forest type and elevation seem to be the drivers of this widely distributed richness. Finally, we call for more in-depth studies of the forests presented here, as well as those in other latitudes including variables such as humidity and host traits, to provide a more complete picture of an overlooked Mexican flora.
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.
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 | 0,001 |
| 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 découle