Spatial and species compositional networks for inferring connectivity patterns in ecological communities
Notice bibliographique
Résumé
Abstract Aim Multiple spatial and non‐spatial processes are involved in determining the complex patterns underlying the spatial variation of individual species and their assemblages. This complexity, and the logistical challenges involved in following dispersal for multiple species across multiple sites, make it challenging to infer the processes underlying metacommunity spatial heterogeneity. The goal of our paper is to present a robust quantitative framework for inferring spatial patterns across multiple ecological communities. Innovation Unlike numerous metapopulation studies that have inferred migration rates based on landscape connectivity metrics which take into account the spatial positioning of occupied and empty patches, metacommunity studies have relied on spatial predictors built without considering such information. Here, we introduce a novel method called the multi‐species spatial network ( MSSN ) to detect and explain spatial variability in community assemblies using a graph‐theoretical approach. The MSSN approach can be best described as a reconciliation between the spatial positioning of sites and their patterns of patch occupation. Main conclusions Our simulation and real data analyses showed that our MSSN approach was better at detecting spatial patterns within metacommunities than the commonly used MEM method (Moran's eigenvector maps). In addition, our proposed framework is also useful in estimating the levels of spatial connectivity for each local community. Finally, our framework is flexible enough to incorporate different types of functions, metrics and algorithms to detect complex spatial patterns.
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 | 0,000 |
| 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 ».