Catching invasives with curiosity: the importance of passive biosecurity surveillance systems for invasive forest pest detection
Notice bibliographique
Résumé
First detections of nonnative insect species are often made by curious members of the public rather than by specialists or trained professionals. Passive surveillance is a crucial component of national biosecurity surveillance, highlighted by early detection case studies of several prominent nonnative arthropod pests (e.g., Asian longhorned beetle [ALB], Jorō spider, spotted lanternfly). These examples demonstrate that curiosity and the recognition of novelty in the natural world, along with enabling technology and systems, are a critical part of early detection and effective invasive species management. This is particularly impactful when dealing with conspicuous pests or for new and emerging nonnative species that have yet to be detected in a new location. Data from historical and recent accounts of first detections of ALB incursions and other invasive forest pests underscore the need to invest in passive surveillance reporting systems and fully integrate public observations into existing surveillance frameworks. New automated approaches streamline the assessment of public observations and can generate pest alerts to initiate a formal regulatory assessment. Biodiversity monitoring platforms, such as iNaturalist, provide a focal point for community engagement and aggregate verified public observations. Empowering proactive reporting of biological novelty provides needed support for early detection of invasive species. Embracing the public as active members of the surveillance community can be cost effective and lead to the greatest gains in the proactive management of invasive species around the world.
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 | 0,001 |
| 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 ».