Human and Environmental Factors Shape Tree Species Assemblages in West African Tropical Forests
Notice bibliographique
Résumé
ABSTRACT Aim This study investigated how human activities and local environmental variables shape tree assemblages (species composition in a defined location), comparing their effects on edible and inedible tree species. Three hypotheses were tested: (1) Environmental filtering impacts spatial beta‐diversity more than dispersal limitation; (2) human activities significantly influence regional tree beta‐diversity; and (3) predictors of beta‐diversity differ between edible and inedible species. Location Tropical forest in Nigeria and Cameroon in West and Central Africa. Methods Tree data were collected between 2002 and 2019 from 66 forest plots. Species were categorised as edible and inedible by humans using interviews and online databases. Pairwise beta‐diversity (partitioned into total beta‐diversity and turnover) between plots was analysed using Generalised Dissimilarity Models (GDMs) with geographical distance, plot‐specific variables (forest composition, climate, elevation, stem density, human influence indicators), and human influence indicators (distance to closest human presence [DCHP], and nearest anthropogenic edges [DNAE]) as predictors. Results The dataset included 236 edible species (11,097 stems) and 472 inedible species (17,202 stems), with high species turnover (> 90%) dominating beta‐diversity patterns. Due to local plot‐level factors, environmental filtering (deviance explained for all species: 37.4%, edible: 18.9% and inedible: 31.4%) exerted greater influence on species assemblages than geographical distance alone. Beta‐diversity drivers differed between edible and inedible species: elevation strongly influenced turnover in inedible species, whereas forest composition significantly shaped the assemblage of edible species, reflecting patterns of human‐mediated species selection and species dominance. Human presence impacted the overall beta‐diversity of inedible species but only influenced the turnover component of edible species. Main Conclusions Tree assemblages in the Nigeria–Cameroon forest region were primarily structured by local environmental conditions and human activities rather than by dispersal limitation. Effective conservation should incorporate sustainable human activities and traditional ecological knowledge, with further research needed to explore the long‐term anthropogenic impacts on these forests.
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 | 0,001 | 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 ».