Distinguishing geographical range shifts from artefacts of detectability and sampling effort
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Aim The redistribution of species with climate change is well documented. Even so, the relative contribution of species detectability to the variation in measured range shift rates among species is poorly understood. How can true range shifts be discerned from sampling artefacts? Location Australia. Methods We simulate range shifts for species which differ in their abundance for comparison to patterns derived from empirical range shift data from two regional‐scale (100s km) empirical studies. We demonstrate the use of spatial occupancy data in a distance‐to‐edge ( DTE ) model to assess changes in geographical range edges of fish species within a temperate reef fish community. Results Simulations identified how sampling design can produce relatively larger error in range shift estimates in less abundant species, patterns that correspond with those observed in real data. Application of the DTE model allowed us to estimate the location of the true range edge with high accuracy in common species. In addition, upper confidence bounds for range edge estimates identified species with range edges that have likely shifted in location. Conclusions Simulation and modelling approaches used to quantify the level of confidence that can be placed in observed range shifts are particularly valuable for studies of marine species, where observations are typically few and patchy. Given the observed variability in range shift estimates, the inclusion of confidence bounds on estimates of geographical range edges will advance our capacity to disentangle true distributional change from artefacts of sampling design.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle