Using null model analysis of species co‐occurrences to deconstruct biodiversity patterns and select indicator species
Notice bibliographique
Résumé
Abstract Aim Using total species richness to characterize biodiversity may mask multiple response patterns of species. We propose a null model analysis of species co‐occurrence‐based classification to identify sets of species that may have similar (within‐groups) and distinct (between groups) response patterns to their environment. The classification should also provide an explicit framework for selecting indicator species with characteristic co‐occurrence patterns to predict overall species richness. Location Côte‐Nord, Québec, Canada. Methods We combined null‐model of species co‐occurrence and cluster analysis to identify species groups within diverse assemblages of ground‐dwelling and flying beetles of stands in a boreal forest mosaic; we then examined their co‐occurrence and response patterns to habitat characteristics. Best subset regressions were used to select indicator species of richness within each group, from which indicators of total species richness were selected. Results The identified species groups appeared to display contrasting co‐occurrence and response patterns to at least one of the stand‐level habitat characteristics. Among flying beetles, for example, richness increased with stand‐level heterogeneity for two groups and decreased for two other groups, but the relationship was non‐significant for the total richness. We identified 28 indicator species that explained > 80% (validated by bootstrap analysis) of the variation in total species richness. Predictive performance of indicators was higher than when their co‐occurrence were reshuffled, even under a highly constrained null model, indicating that co‐occurrence patterns contributed to their predictive performance. Main conclusions Co‐occurrence‐based classification appears as a promising and effective tool for deconstructing biodiversity into species groups which reflect their ecological commonalities and differences, thus reducing the risk of making faulty inferences about the causes underlying overall diversity patterns. The method provides an explicit framework for selecting indicator species representing different species groups that may reflect the multiple responses of species co‐occurring with them. Indicator species can be effective for predicting overall species richness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».