The Global Spatial Co‐Variation Between Crop Diversity and Landscape Heterogeneity
Notice bibliographique
Résumé
ABSTRACT The influence of crop and landscape heterogeneity on different components of biodiversity in agricultural landscapes has been assessed at multiple scales. However, how crop species diversity relates to landscape heterogeneity remains underexplored at the global scale. We apply independent global spatial datasets to test the relationship between crop and landscape heterogeneity across 19,505 agricultural landscapes worldwide. We first examine the spatial patterns in crop diversity and landscape diversity (compositional heterogeneity), defined as the effective number of crop species and land cover types, respectively, based on Shannon entropy. Median crop diversity increases on average by 0.36–0.48 effective species for each unit increase in land cover diversity globally. We use quantile generalized additive models (QGAM) to statistically test this relationship. The QGAM approach confirms that crop diversity has a positive but complex relationship with landscape diversity, particularly for landscapes with ≥ 4–5 non‐crop cover types. However, this positive trend is context‐dependent, as the clearest median response generally corresponds to landscapes with moderate cropland extents (25%–75% cropland). We also examine how other components of landscape compositional and configurational heterogeneity, including dominant agricultural field size and patch size, as well as topographic heterogeneity are associated with crop diversity. The relatively highest crop diversity tends to correspond to very small dominant agricultural field sizes (crop configurational heterogeneity) when controlling for cropland extent and non‐agricultural land cover diversity. Mean patch area (landscape configurational heterogeneity) has a strong negative association with crop diversity until patch sizes of > 150 km 2 while topographic heterogeneity has a consistent positive association with crop diversity. Our findings therefore demonstrate how the diversity of non‐agricultural land covers in conjunction with configurational heterogeneity has relevance to understanding existing patterns of spatial crop diversity. Such insights could help inform efforts to design more multifunctional agricultural landscapes, including landscape‐scale farm diversification strategies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».