Community differentiation on landscapes: drift, migration and speciation
Notice bibliographique
Résumé
Theories of the differentiation of ecological communities on landscapes have typically not considered evolutionary dynamics. Here we analytically study the expected differentiation among local communities in a large metacommunity, undergoing speciation, ecological drift and intercommunity dispersal, in the context of neutral theory. We demonstrate that heterogeneity in species diversity and abundance arises among communities when local communities are small and intercommunity migration is infrequent. We propose a new measure to describe community differentiation, defined as the average correlation or the average probability (C st ) that two randomly sampled individuals of the same species within local communities are from the same ancestor. The effects of driving forces (migration, mutation, and ecological drift) are incorporated into the two‐level hierarchical community structure in a finite island model of neutral communities. Community differentiation can increase the effective metacommunity size or the Hubbell's fundamental species diversity in the metacommunity by a factor (1−C st ) −1 . Significant community differentiation arises when C st ≠0. Intercommunity migration promotes species diversity in local communities but reduce species diversity in the metacommunity. In either the finite or infinite island case, one can estimate the number of intercommunity migrants by using multiple local community datasets when the speciation is negligible in the neutral local communities, or by using the metacommunity dataset when the speciation is included in the local neutral communities. These results highlight the significance of the evolutionary mechanisms in generating heterogeneous communities in the absence of complicated ecological processes on large landscapes.
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 ».