Dark diversity in temperate forests of northeastern China: drivers and implications
Notice bibliographique
Résumé
Understanding the species composition of a community, including those species present and those absent but potentially able to occur, is vital for assessing biodiversity changes and informing conservation planning. Typically, studies focus on observed taxonomic diversity but ignore undetected species expected to be present based on co‐occurrence patterns – referred to as dark diversity. Dark diversity serves as a sensitive indicator of biodiversity change, often responding earlier than observed diversity. However, its underlying drivers, especially environmental and anthropogenic factors, remain poorly understood in forest ecosystems. In this study, we quantified both dark and observed diversity and applied logistic regression to identify traits influencing species' likelihood of belonging to dark diversity at the species level. Variance partitioning and spatial autoregressive models were used to disentangle the effects of environmental and human drivers at the plot level. Our results revealed that key traits such as mycorrhizal type, specific leaf area and tree height determine a species' likelihood of belonging to dark diversity, and that dark and observed diversity respond differently to environmental and anthropogenic factors. Dark diversity was mainly influenced by the interaction of environmental factors and human impacts, with annual mean temperature being the strongest environmental driver. Observed diversity, in contrast, was most influenced by annual mean precipitation. Dark diversity increased with annual mean temperature, declined under the combined influence of human footprint and precipitation, and increased with the interaction between human footprint and precipitation seasonality. Observed diversity was positively affected by precipitation and altitude, and negatively influenced by human footprint–temperature and altitude–roadless area interactions. Our findings highlight the importance of addressing climate and human pressures in conservation planning, as dark diversity signals hidden constraints on species establishment and persistence.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».