Simulating long‐distance seed dispersal in a dynamic vegetation model
Notice bibliographique
Résumé
Abstract Aim Predicting the migration of vegetation in response to climate change is often done using a climate‐driven vegetation model; however, the assumption of full migration (where seeds are not limited by distance or barriers) is a common criticism. Previous efforts to incorporate limitations on seed dispersal have occurred exclusively in bioclimatic envelope models. This paper describes how limitations on seed dispersal were integrated into a physiologically based dynamic vegetation model, LPJ‐GUESS. Location An idealized landscape, representative of temperate and boreal forests in North America. Methods LPJ‐GUESS already simulates establishment, growth, reproduction and competition. I used a generic seed dispersal kernel to determine the probability of dispersal between grid cells, and a logistic function to determine the spread between patches within a grid cell. Plant functional types were parameterized to represent three temperate tree species, Acer, Pinus and Tsuga, by using published dispersal kernels and life‐history measurements. Simulations were run with full and limited migration, and compared with past vegetation migration rates. Results Using the old assumption of full migration, the entire landscape was colonized at the same time (migration rates of 270–380 m year−1). With the new limited dispersal, species colonized the landscape one row at a time, at rates which corresponded well with independent migration estimates based on genetic or pollen reconstructions (Acer, 141 m year−1; Pinus, 76 m year−1). Tsuga was the only species where simulated migration rates (85 m year−1) were quite a bit slower than historical migration estimates. Main conclusions The new model was able to simulate reasonable migration rates, which is a substantial improvement over previous assumptions of full migration. Migration estimates which include the effects of limitations on dispersal, demography, competition and plant physiology will also improve our understanding of how climate change and various other processes can influence plant range shifts.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».