Predicting local–regional richness relationships using island biogeography models
Notice bibliographique
Résumé
Local species richness frequently is linearly related to the richness of the regional species pool from which the local community was presumably assembled. What, if anything, does this pattern imply about the relative importance of species interactions and dispersal as determinants of local species richness? Two recent papers by Hugueny and Cornell and He et al. propose that the classical island biogeography model of MacArthur and Wilson can help answer this question, by serving as a null model of the relationship between local (island) and regional (mainland) species richness in the absence of local species interactions. The two models make very different predictions, despite being derived from apparently‐similar assumptions. Here we reinterpret these two models and show that their contrasting predictions can be regarded as arising from different, implicit assumptions about how species abundances vary with species richness on the mainland. We derive a more general island biogeography model of local–regional richness relationships that explicitly incorporates mainland species abundance and subsumes the two previous models as limiting cases. The new model predicts that the local–regional richness relationship can range from nearly linear to strongly curvilinear, depending on how species abundances on the mainland vary with mainland richness, as well as on rates of immigration to and extinction from islands. Local species interactions are not necessary for producing curvilinear local–regional richness relationships. We discuss the implications of our new model for the interpretation of local–regional richness relationships.
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 ».