A field test of inverse modeling of seed dispersal
Notice bibliographique
Résumé
PREMISE OF THE STUDY: Seed dispersal distance-a key process in plant population dynamics-remains poorly understood because of the difficulty of finding a source plant so well isolated from conspecifics that seeds or seedlings can be unambiguously attributed to it. Inverse modeling (IM) of seed dispersal, a simple statistical technique for parameterizing dispersal kernels, has been widely used since 1992; surprisingly, however, this approach has never been verified in the field. METHODS: We released from 20 nearby trees the winged seeds of a liana species, Entada polystachya, near the coast in a tropical, dry forest in Jalisco, Mexico. KEY RESULTS: With a two-parameter log-normal function, we found that IM predicted both the shape and scale parameters well as long as we used the entire data set. When, however, we subsampled (thus simulating the use of transects for seedlings or an array of seed traps), the estimates of the scale and shape parameters were often more than double the real values. The problem was due to the marked anisotropy (directional bias; in this case, in the direction of the diurnal sea breeze) of the individual dispersal curves. When we randomized the direction of dispersal of individual seeds from the trees (keeping dispersal distances unchanged), predictions of parameter values were excellent. CONCLUSIONS: Inverse modeling must include directional parameters when dealing with areas where strong anisotropy is to be expected, e.g., for wind dispersal of seeds near coasts or pollination by any vector where a plant species is limited to a strongly linear habitat such as river banks.
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 | 0,001 |
| 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 | 0,000 | 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 ».