The small‐island effect: fact or artefact?
Notice bibliographique
Résumé
Positive relationships between species richness and sampling area are perhaps the most pervasive patterns in nature. However, the shape of species–area relationships is often highly variable, for reasons that are poorly understood. One such source of variability is the “small‐island effect”, which refers to a decrease in the capacity of sampling area to predict species richness on small islands. Small‐island effects have been attributed to a variety of processes, including spatial subsidies, habitat characteristics and ocean‐born disturbances. Here, we show that small‐island effects can be generated by logarithmic data transformations, which are commonly applied to both axes of species–area relationships. To overcome this problem, we derive several null models to test for non‐random variability in the capacity of island area to predict species richness and apply them to data sets on island plant communities in Canada and New Zealand. Both archipelagos showed evidence for small‐island effects using traditional breakpoint regression techniques on log‐log axes. However, null model analyses revealed different results. The capacity of sampling area to predict species richness in the Canadian archipelago was actually lowest at intermediate island size classes. In the New Zealand archipelago, island area was similarly capable of predicting species richness across the full range of island sizes, indicating the small‐island effect detected by breakpoint regression is an artifact of logarithm data transformation. Overall results show that commonly used regression techniques can generate spurious small‐island effects and that alternative analytic procedures are needed to detect non‐random patterns in species richness on small islands.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; 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 ».