Climate influences broadly, landscape influences narrowly: Implications for agricultural beneficial insects
Notice bibliographique
Résumé
Insects provide critical ecosystem services, like pollination, in both natural and agricultural ecosystems. Delivery of these services depends on their ability to develop, survive, and move through their environment. Whether they can do this depends on the weather, climate, and landscape; but a changing climate means these systems are potentially vulnerable to disruption. Short-term fluctuations in weather can disrupt development, impede movement, and affect survival, while long-term climate norms influence environmental niches and influence species distribution. Landscape composition also influences beneficial insect distribution and has the potential to reduce the impacts of climate change. Here we use a database of >97,000 bee occurrence records, collected from 320 sampling sites across a 90,000+ km 2 area in the North American Prairies to generate models of species occurrence for 50 species, sampling in and around crop fields. We use a tree-based machine learning method with extreme gradient boosting to create predictive classification models. These models are then used to analyze the relative importance of weather, climate, and landscape variables. The variables with the highest mean absolute importance are cumulative degree days, cumulative precipitation, and percent tree cover. When we analyzed individual species models, bee taxonomic groups responded most strongly to weather, and the direction of response corresponded to trait-grouping. The responses to landscape were weak and species-specific. The results indicate that pollination service supply is largely determined by heat and moisture, and that cavity nesters and ground-nesters have opposite responses to rising temperature, which could impact taxonomic and functional diversity. • Occurrence of ecosystem service-providing insects depends on many abiotic factors • Machine learning can test importance of 42 climate, weather, and landscape factors • Responses are split between eusocial cavity-nesters and solitary ground-nesters • Warming and drying trends threaten the delivery of agricultural ecosystem services • Factors outside human management are more important at broad spatial scales to bees
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 | 0,004 |
| 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 | 0,001 | 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) | 0,002 | 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 ».