Factors determining beetle richness and composition along an altitudinal gradient in the high mountains of the Sierra Nevada National Park (Spain)
Notice bibliographique
Résumé
One of the more common and dramatic patterns observed in species abundance and richness is that imposed by altitude. Many non-exclusive factors have been proposed to explain these altitudinal patterns, including climate, habitat structure, productivity, geographical factors, and historical factors. In this study, we investigated the altitudinal trend of beetle richness and diversity, trying to determine the factors affecting beetle diversity and composition along an altitudinal gradient on a high mountain of the Sierra Nevada National Park (Spain). Beetles were sampled every 15 d for 2 y using pitfall traps at 10 altitudinal sites located between 2000 and 3000 m asl. Against predictions, beetle diversity and the standardized richness indices were not correlated with altitude. Instead, lower richness and diversity values were found at middle altitude in the selected altitudinal range. Although a combination of biotic and abiotic factors satisfactorily explained these richness and diversity values, the main factor was plant diversity, which was correlated with all richness and diversity indices. A second factor was temperature; however, the interaction between beetle richness and temperature was evident only when the effect of plant diversity was removed. Multivariate analysis for species composition showed that 2 factors, plant diversity and shrub cover, explained more than 50% of the variance observed. In summary, our results suggest a strong dependence of beetle species on vegetation structure and diversity, although temperature appears to be a complementary factor determining beetle richness and diversity in the high mountains of the Sierra Nevada National Park.
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 | 0,001 |
| 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 ».