Partitioning the effects of species loss on community variability using multi‐level selection theory
Notice bibliographique
Résumé
The temporal variability of ecological communities may depend on species richness and composition due to a variety of statistical and ecological mechanisms. However, ecologists currently lack a general, unified theoretical framework within which to compare the effects of these mechanisms. Developing such a framework is difficult because community variability depends not just on how species vary, but also how they covary, making it unclear how to isolate the contributions of individual species to community variability. Here I develop such a theoretical framework using the multi‐level Price equation, originally developed in evolutionary biology to partition the effects of group selection and individual selection. I show how the variability of a community can be related to the properties of the individual species comprising it, just as the properties of an evolving group can be related to the properties of the individual organisms comprising it. I show that effects of species loss on community variability can be partitioned into effects of species richness (random loss of species), effects of species composition (non‐random loss of species with respect to their variances and covariances), and effects of context dependence (post‐loss changes in species’ variances and covariances). I illustrate the application of this framework using data from the Biodiversity II experiment, and show that it leads to new conceptual and empirical insights. For instance, effects of species richness on community variability necessarily occur, but often are swamped by other effects, particularly context dependence.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».