The socioeconomic drivers of invasive plant cover in rural Galapagos
Notice bibliographique
Résumé
Abstract The unique biodiversity of the Galapagos Islands faces a significant threat from invasive plants, particularly in the highlands. Invasive plant occurrence is expected to shift in response to changing rural socioeconomic factors, further exacerbating the threat to native ecosystems. So far, limited research has integrated socioeconomic factors as drivers of invasive plant cover changes across the rural landscape. Our study employed stakeholder surveys, plant cover models, and spatial and statistical analyses to identify socioeconomic factors impacting the cover of commonly used or controlled invasive plant species (guava, Cuban cedar, blackberry) in the rural areas of Santa Cruz and San Cristobal Islands. Relevant socioeconomic factors were selected through a ranked predictor analysis in species cover models using random forest algorithms. Both biophysical and socioeconomic predictors were included to increase model comprehensiveness. We found that biophysical factors—such as climate, soil properties, and topography—were strong predictors of Cuban cedar cover. In contrast, socioeconomic factors, soil properties, and climate were better predictors of guava. Statistical analyses revealed that landowners’ primary income source and land use had a significant influence on guava cover. Farms dependent on agriculture had lower guava cover, while those focusing on tourism had the highest. The quality of available data limited results for blackberry. Our study highlights relevant factors that should be considered for invasive plant management in rural Galapagos. It quantifies the effect of key socioeconomic variables on guava cover on Santa Cruz and San Cristobal Islands.
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 ».