Different bee-flower survey methods impact conservation recommendations: comparing citizen science and academic surveys
Notice bibliographique
Résumé
Promoting diverse and abundant flowering plants in cities is essential to counteract the decline in wild bee diversity due to urbanisation. To support effective conservation, it is crucial to identify which flowers best enhance wild bee abundance and species richness. This requires large datasets and robust analytical tools. Here, we use a plant selection tool developed by M’Gonigle et al. (2016), which recommends flower mixes that maximise pollinator species richness based on visitation data. We analysed bee-flower interaction data from the Brussels Capital Region (Belgium), comparing two contrasting sources: (1) citizen science records and (2) standardised academic surveys. We evaluated the bipartite networks of these datasets and their combination and generated optimised flower mixes from each using the plant selection tool. Our results show that dataset composition and inherent biases strongly influence outcomes. The bipartite networks differed substantially (compositional difference = 0.86), mainly due to rewiring of bee-flower interactions (0.69). Consequently, the flower mixes derived from each dataset overlapped by only 7% when optimising for species richness. The combined dataset network more closely resembled the citizen science data (WN = 0.106) than the academic survey data (WN = 0.590). These findings highlight the substantial impact of data collection methods on ecological recommendations. Awareness of such biases is essential for making sound, evidence-based conservation decisions. To support wider application, we developed a free app that allows users to create flower mixes optimized for pollinator abundance, species richness, or both, using our dataset or their own.
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 | 0,006 | 0,002 |
| 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 | 0,000 |
| 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 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 ».