Notice bibliographique
Résumé
There are ~400 million plant specimens held in ~3,500 herbaria worldwide today. Along with their long-established role in cataloguing species taxonomy and distribution, herbarium specimens are increasingly being used to measure ecologically important plant traits, often via spectral analyses. Such analyses quantify the interaction between plant matter and electromagnetic radiation across wavelengths, revealing spectral signatures that are linked to traits via statistical modelling. Once models are developed, these vast collections may facilitate leaf functional trait estimation across wide spatial and temporal scales. These methods may also allow for the analysis of foreign, extirpated, or even extinct species non-destructively within local herbaria. But for this to occur on a wide scale, proof of concept must be provided for the use of older or more degraded specimens, as many specimens in herbaria exhibit some degree of degradation. This research aims to provide the basis for the use of a wider range of specimens in spectral analyses. To do this, we devised an experiment wherein Ginkgo biloba specimens were prepared and placed in four temperature treatments of varying intensity and measured annually to determine whether their spectra can accurately estimate functional traits as specimens degrade. We employed partial least squares regression (PLSR) analyses to assess whether dried-leaf reflectance spectra can estimate a suite of structural/water-related- and chemical-based functional traits over time and across treatments. Our results indicate that, across models, leaf mass per area and cellulose were consistently the best estimated whereas pigment and lignin contents were consistently poorly predicted. We found that collection season, years since collection, nor storage condition affected PLSR model performance and trait estimation, despite trends in spectra indicating degradation. This provides promise for the use of a larger proportion of the global stock of herbarium specimens in spectral analyses, providing non-destructive, low-cost, efficient means of trait estimation.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».