Functional rarefaction: estimating functional diversity from field data
Notice bibliographique
Résumé
Studies in biodiversity‐ecosystem function and conservation biology have led to the development of diversity indices that take species’ functional differences into account. We identify two broad classes of indices: those that monotonically increase with species richness (MSR indices) and those that weight the contribution of each species by abundance or occurrence (weighted indices). We argue that weighted indices are easier to estimate without bias but tend to ignore information provided by rare species. Conversely, MSR indices fully incorporate information provided by rare species but are nearly always underestimated when communities are not exhaustively surveyed. This is because of the well‐studied fact that additional sampling of a community may reveal previously undiscovered species. We use the rarefaction technique from species richness studies to address sample‐size‐induced bias when estimating functional diversity indices. Rarefaction transforms any given MSR index into a family of unbiased weighted indices, each with a different level of sensitivity to rare species. Thus rarefaction simultaneously solves the problem of bias and the problem of sensitivity to rare species. We present formulae and algorithms for conducting a functional rarefaction analysis of the two most widely cited MSR indices: functional attribute diversity (FAD) and Petchey and Gaston's functional diversity (FD). These formulae also demonstrate a relationship between three seemingly unrelated functional diversity indices: FAD, FD and Rao's quadratic entropy. Statistical theory is also provided in order to prove that all desirable statistical properties of species richness rarefaction are preserved for functional rarefaction.
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 | 0,000 |
| 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) | 0,010 | 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 ».