Drivers of carabid functional diversity: abiotic environment, plant functional traits, or plant functional diversity?
Notice bibliographique
Résumé
Understanding how community assembly is controlled by the balance of abiotic drivers (environment or management) and biotic drivers (community composition of other groups) is important in predicting the response of ecosystems to environmental change. If there are strong links between plant assemblage structure and carabid beetle functional traits and functional diversity, then it is possible to predict the impact of environmental change propagating through different functional and trophic groups. Vegetation and pitfall trap beetle surveys were carried out across twenty four sites contrasting in land use, and hence productivity and disturbance regime. Plant functional traits were very successful at explaining the distribution of carabid functional traits across the habitats studied. Key carabid response traits appeared to be body length and wing type. Carabid functional richness was significantly smaller than expected, indicating strong environmental filtering, modulated by management, soil characteristics, and by plant response traits. Carabid functional divergence was negatively related to plant functional evenness, while carabid functional evenness was positively correlated to plant functional evenness and richness. The study shows that there are clear trait linkages between the plant and the carabid assemblage that act not only through the mean traits displayed, but also via their distribution in trait space; powerful evidence that both the mean and variance of traits in one trophic group structure the assemblage of another.
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 | 0,001 | 0,001 |
| 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) | 0,012 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».