Bridging Citizen Science and Expert Surveys in urban biodiversity monitoring: Insights from insect diversity in Macao
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
Urban ecosystems present unique challenges for biodiversity monitoring, demanding efficient methods to document species diversity in rapidly changing environments. This study quantifies insect diversity in Macao SAR - a hyper-urbanised region - by integrating data on 1,339 species documented in expert-led surveys and 1,012 species recorded in citizen-science observations between 2019 and 2023. Striking divergence emerged between the expert and citizen-science datasets: only 462 species (33.5% of total diversity) were detected by both groups, with experts documenting 877 unique taxa often requiring specialised collection or morphological analysis, while citizen scientists contributed 550 distinctive species through spatially explicit, image-based records. Together, these approaches achieved 96.59% estimated species coverage within five years, demonstrating that combining community-driven data with expert methods accelerates comprehensive biodiversity documentation. Citizen-science platforms played a pivotal role by providing high-resolution geotagged imagery which enabled experts to validate records and resolve taxonomic ambiguities. Meanwhile, expert surveys detected cryptic taxa overlooked by citizen scientists. The rapid species coverage achieved through this synergy highlights the transformative potential of integrated frameworks. By mobilizing the scalability of citizen science to fill spatial and taxonomic gaps, while leveraging expert precision to ensure rigour, urban biodiversity monitoring can adapt to the rapid pace of ecological change. These findings advocate for collaborative strategies that harness public participation and scientific validation to optimise conservation efforts in data-deficient and highly-stressed ecosystems.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,007 |
| 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 découle