Modeling seed dispersal of black cherry, an invasive forest tree: how microsatellites may help?
Notice bibliographique
Résumé
We used empirical models and three dispersal functions (Weibull, lognormal and 2Dt) to model seed distributions derived from the black cherry (Prunus serotina Ehrh.) understorey of a pine-dominated stand. Two different approaches were used to disentangle the overlapping seed shadows: the traditional inverse modeling approach and the genetic approach that uses microsatellite markers to assign a dispersed seed to its maternal parent. The distinction was made between the seeds passively dispersed by gravity (fruits with mesocarp) and those dispersed by birds (fruits without mesocarp). Our main objectives were to compare the three dispersal functions and assess the differences between the two approaches used. The functions performed equally well, but the lognormal function often showed a better data correlation. The best dispersal curves obtained by both traditional and genetic approaches were quite similar for the seeds dispersed by gravity, and 95% of these seeds were predicted to fall 5 and 3 m away from the parent tree for the traditional and genetic approaches, respectively. Differences were more important for the seeds dispersed by birds. The traditional approach predicted a lower number of seeds near the parent plant and a higher dispersal distance. Microsatellites provided accurate information on individual dispersal events and led to a better insight into the dispersal process.
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 | 0,000 |
| 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 ».