Quantifying the importance of local niche‐based and stochastic processes to tropical tree community assembly
Notice bibliographique
Résumé
Although niche-based and stochastic processes, including dispersal limitation and demographic stochasticity, can each contribute to community assembly, it is difficult to quantify the relative importance of each process in natural vegetation. Here, we extend Shipley's maxent model (Community Assembly by Trait Selection, CATS) for the prediction of relative abundances to incorporate both trait-based filtering and dispersal limitation from the larger landscape and develop a statistical decomposition of the proportions of the total information content of relative abundances in local communities that are attributable to trait-based filtering, dispersal limitation, and demographic stochasticity. We apply the method to tree communities in a mature, species-rich, tropical forest in French Guiana at 1-, 0.25- and 0.04-ha scales. Trait data consisted of species' means of 17 functional traits measured over both the entire meta-community and separately in each of nine 1-ha plots. Trait means calculated separately for each site always gave better predictions. There was clear evidence of trait-based filtering at all spatial scales. Trait-based filtering was the most important process at the 1-ha scale (34%), whereas demographic stochasticity was the most important at smaller scales (37-53%). Dispersal limitation from the meta-community was less important and approximately constant across scales (-9%), and there was also an unresolved association between site-specific traits and meta-community relative abundances. Our method allows one to quantify the relative importance of local niche-based and meta-community processes and demographic stochasticity during community assembly across spatial and temporal scales.
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 | 0,000 | 0,001 |
| 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 ».