Shallow coverage in shallow waters: the incompleteness of intertidal species inventories in biodiversity database records
Notice bibliographique
Résumé
The availability of online biodiversity data has increased in recent decades, aiding our understanding of diversity patterns and species richness–environment relationships across temporal and spatial scales. However, even the most exhaustive databases are prone to sampling biases, which create knowledge gaps in species distributions and increase uncertainty in model predictions. Regarding marine environments, intertidal zones are globally distributed and considered early warning systems for climate change impacts and species' range shifts. Owing to their relative accessibility, intertidal records should – supposedly – be less incomplete and biased compared to open‐ocean and deep‐sea areas. Yet, the extent and coverage of intertidal records available in global biodiversity databases remains unknown. In this study, we used a high‐resolution worldwide tidal flat map to identify intertidal records of 11 563 benthic species from the OBIS (Ocean Biodiversity Information System) portal. Following a thorough data‐cleaning process, we evaluated geographic patterns in observed species richness, site accessibility, sampling effort, and inventory completeness across latitudes. We demonstrate that observed species richness has mid‐latitudinal peaks while the tropics accumulate species with missing records, similar to patterns described for the entire marine realm. These patterns correlate with disproportionate mid‐latitude sampling efforts and poor tropical sampling coverage. Sixty‐five percent of the mapped intertidal sites are located within 3 hours of a city, but sampling records remain almost absent along African Atlantic, South American Pacific, and Indo‐Pacific coasts. Thus, even for the accessible and well‐studied intertidal shorelines, database records are not free from geographical biases and their associated implications for biodiversity estimates. Our results highlight the need for a better data‐sharing culture, and we hope to encourage initiatives promoting more and better‐distributed research efforts on intertidal biodiversity, which could improve global scale detection and prediction of climate change impacts at regional and global scales.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».