ORIGINAL ARTICLE Assessing the vulnerability of rare plants using climate change velocity, habitat connectivity, and dispersal ability: a case study
Notice bibliographique
Résumé
Abstract Climate change generally requires species to migrate northward or to higher elevation to maintain con-stant climate conditions, but migration requirement and migration capacity of individual species can vary greatly. Individual populations of species occupy different posi-tions in the landscape that determine their required range shift to maintain similar climate, and likewise the migra-tion capacity depends on habitat connectivity. Here, we demonstrate an approach to quantifying species vulnera-bilities to climate change for 419 rare vascular plants in Alberta, Canada, based on a multivariate velocity of cli-mate change metric, local habitat fragmentation, and migration capacity. Climate change velocities indicated that future migration requirements ranged from 1 to 5 km/ year in topographically complex landscapes, such as the Alberta Foothills and Rocky Mountains. In contrast, migration requirements to maintain constant climate in relatively flat Boreal Plains, Parkland, and Grassland ran-ged from 4 to 8 km/year. Habitat fragmentation was also highest in these flat regions, particularly the Parkland Natural Region. Of the 419 rare vascular plants assessed, 36 were globally threatened (G1–G3 ranking). Three globally threatened species were ranked as extremely vul-nerable and five species as highly vulnerable to the interactions among climate change velocity, habitat frag-mentation, and migration capacity. Incorporating dispersal characteristics and habitat fragmentation with local pat-terns in climate change velocity improves the assessment of climate change threats to species and may be applied to guide monitoring efforts or conservation actions.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».