Data from sentinel public gardens are useful indicators of potential plant invasion
Notice bibliographique
Résumé
Abstract Invasive plants negatively impact natural areas and impose huge costs associated with control and management. A new approach to significantly reduce these effects is to identify species in the earliest stages of spread, using data collected by public gardens across North America. Known as Public Gardens as Sentinels against Invasive Plants (PGSIP), this network includes multiple gardens, each contributing reports of these problematic species to a shared database using standardized guidelines. We examined this dataset to identify newly spreading species being noticed within gardens within different regions and determined whether they have been reported as state-listed/regulated/noxious outside gardens. As of November 2024, 53 PGSIP gardens in 28 U.S. states and Canadian provinces had submitted 996 reports, consisting of 597 unique species. The most commonly listed species were Amur corktree ( Phellodendron amurense Rupr.), burning bush [ Euonymus alatus (Thunb.) Siebold], and wintercreeper [ Euonymus fortunei (Turcz.) Hand.-Maz.]. Other less frequently listed species included golden rain tree ( Koelreuteria paniculata Laxm.), Norway maple ( Acer platanoides L.), and castor aralia [ Kalopanax septemlobus (Thunb.) Koidz.]. Of the 597 species, 36% were not listed by any state or province; gardens also had several species on watchlists, including Japanese tree lilac [ Syringa reticulata (Blume) H. Hara] and Siberian squill ( Scilla siberica Andrews). Our results demonstrate the utility of the approach and value of the database. This information can now inform the efforts of land managers, invasion biologists, the horticultural industry, and agencies tasked with invasive plant monitoring and assessment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».