Modeling Urban Host Tree Distributions for Invasive Forest Pests Using a Multi-Step Approach
Notice bibliographique
Résumé
Many invasive pest species currently impacting forested ecosystems in North America first appeared in urban forests. Despite serving as critical gateways for the spread of forest pests, urban forests remain less well documented than their “natural” forest counterparts. Only a small percentage of communities in the US and Canada have completed any sort of urban forest inventory, and these inventories usually have been limited to street trees. We devised a multi-step approach that utilizes the available local inventory data to model urban host tree distributions at a regional scale. We illustrate the approach for three tree genera – ash (Fraxinus), maple (Acer), and oak (Quercus) – that are associated with high-profile insect pests. Available inventory data included 60 sample-based inventories of entire cities (i-Tree Eco inventories) and 500 street tree inventories. First, we used co-kriging to estimate the whole-city tree compositions based on street tree inventories. Next, we used boosted decision trees to model the proportion of the total basal area (as a proxy for forest volume) occupied by each genus in non-inventoried communities as a function of a suite of environmental and demographic variables. We then modeled total urban forest basal area on canopy cover of these communities using a generalized additive model. We combined these estimates to construct region-wide urban distribution maps for each genus. By merging these maps with similar data on natural forests, we are able to provide a more complete host setting for spread modeling efforts.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».