Inferring the role of habitat heterogeneity in SLOSS (single large or several small) for beetles, spiders, and birds in forest reserves
Notice bibliographique
Résumé
Global conservation strategies aim to increase the area of nature reserves. To implement this goal, especially in fragmented landscapes like Central Europe, we must understand whether a Single Large (SL) reserve Or Several Small (SS) reserves has higher species richness (SLOSS), and why. To date, most studies find more species in SS than SL (SS>SL). The most commonly invoked explanation is higher habitat heterogeneity across SS than SL. We assessed SLOSS for beetles, spiders and birds in 44 forest reserves of three forest types in Central Europe, and tested several predictions based on this heterogeneity hypothesis. We assessed SLOSS in two ways: Quinn-Harrison-curves, and a new approach, the ‘SLOSS ratio’ of species richness standardized by sample coverage, in SL vs. SS. As habitat heterogeneity is challenging to measure directly, we indirectly tested the heterogeneity hypothesis through the following predictions: the SS>SL pattern should be stronger (1) for taxa with finer space use, (2) when there are more SS reserves, spread over more area, (3) when the reserves have been established for a longer time, allowing divergence among patches, (4) when the SS reserves include multiple forest types, and (5) for forest types with a lower frequency of stand-replacing disturbances. We found SS>SL for all taxa, and we found support for three of the predictions based on the heterogeneity hypothesis: (1), (2), and (4). We infer that a set of many small forest reserves is an appropriate objective for conservation planning and can make a strong contribution to global conservation goals.
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 | 0,000 |
| 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 ».