An evidence map and guide for using community science, remote sensing, and environmental <scp>DNA</scp> for rare plant detection
Notice bibliographique
Résumé
Abstract Field surveys have been the standard method for conducting species monitoring. However, other methods involving data from community science, remote sensing, and environmental DNA (eDNA) are increasingly being recognized for their potential as complements to traditional surveys. This evidence map examines studies that use these techniques for detecting rare terrestrial vascular plants. We explore plant types detected, study habitats, and recommendations for future research. We also use a case study of Canadian plant species at risk to suggest species that might potentially benefit from being detected via these techniques. We find that herbaceous species are the most common vascular plant type detected in community science and eDNA studies, while trees dominate remote sensing studies. Most community science studies occurred in urban areas, while most remote sensing studies occurred in areas that comprised multiple habitats, and most eDNA studies occurred in semi‐open habitats such as shrublands and wetlands. Few studies discussed the efficacy of these techniques in terms of detection success and resources used. To better situate these new techniques among monitoring options, we discuss common problems, potential solutions, sources of false negative and false positive errors, and financial cost considerations for each technique.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,029 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».