Selecting traits that explain species–environment relationships: a generalized linear mixed model approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Question Quantification of the effect of species traits on the assembly of communities is challenging from a statistical point of view. A key question is how species occurrence and abundance can be explained by the trait values of the species and the environmental values at the sites. Methods Using a sites × species abundance table, a site × environment data table and a species × trait data table, we address the above question using a novel generalized linear mixed model ( GLMM ) approach. The GLMM overcomes problems of pseudo‐replication and heteroscedastic variance by including sites and species as random factors. The method is equally applicable to presence–absence data as to count and multinomial data. We present a tiered forward selection approach for obtaining a parsimonious model and compare the results with alternative methods (the fourth corner method and RLQ ordination). Results We illustrate the approach on a presence–absence version on two data sets. In the D une M eadow data, species presence is parsimoniously explained by moisture and manure on the meadows in combination with seed mass and specific leaf area ( SLA ). In the G razed G rassland data, species presence is parsimoniously explained by the grazing intensity and soil phosphorus in combination with the C : N ratio and flowering mode. Conclusions Our GLMM approach can be used to identify which species traits and environmental variables best explain the species distribution, and which traits are significantly correlated with environmental variables. We argue that the method is better suited for providing an interpretable and predictive model than the fourth corner method and RLQ .
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.
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 | 0,003 | 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 | 0,002 |
| 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 découle