Environmental geometry and heterogeneity–diversity relationships in spatially explicit simulated communities
Notice bibliographique
Résumé
Abstract Question How are heterogeneity–diversity relationships ( HDRs ) influenced by spatial structure in environmental variables, sampling grain and the extent of niche differentiation? Methods We developed a spatially explicit simulation model incorporating variable dispersal distances and competition strength on fractal landscapes. By varying the grain used to sample these models, we examined scaling patterns in HDR metrics at fine scales (sampling grain from 100 to 10 000 individuals, sampling extent ca. 260 000 individuals). Results Environmental geometry exerts an important influence on the ecological processes responsible for HDRs . Unique geometric characteristics of individual landscapes can greatly influence emergent community properties; field studies frequently use inadequate sample sizes to account for this phenomenon. Two opposing processes influence spatial scaling of HDRs : variance partitioning, which favours smaller‐grained samples, and mass effects, which favour larger‐grained samples. In assessing HDRs , diversity is more sensitive than species richness, and should be the preferred measure in field studies. The environmental geometry and age of a community interact: compared to high fractal dimension landscapes, low fractal dimension landscapes are slower to develop HDRs , but in the long term their HDRs will be higher. Conclusions Our study demonstrates that, despite the superficial simplicity of the concept, HDRs vary in complex and non‐intuitive ways, and warrant further theoretical and empirical study. More generally, environmental geometry is likely to exert a strong influence on many emergent community processes, but we do not yet have a firm understanding of this relationship.
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 | 0,002 | 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 | 0,002 |
| 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 ».