Contribution of disturbance to distribution and abundance in a fire‐adapted system
Notice bibliographique
Résumé
Species distribution modeling (SDM) is an essential tool in understanding species ranges, but models haven't incorporated disturbance‐related variables. This is true even for regions where long histories of disturbance have resulted in disturbance‐adapted species. Therefore, the degree to which including disturbance‐related variables in SDMs might improve their performance is unclear. We used hierarchical partitioning to determine how fire patterns contribute to variation in species abundance and presence, examining both the total variation disturbance‐related variables explained, and how much of this variation is independent of soil and climate variables. For 27 Proteaceae species in the fire‐adapted Cape Floristic Region of South Africa , we found that fire variability, frequency, and area burned tended to have explanatory power similar in size to that of soil and climate variables. Importantly, for SDMs of abundance, fire‐related variables explained additional variation not captured by climatic variables, resulting in markedly increased model performance. In systems with high disturbance rates, species are less likely to be in equilibrium with their environment, and SDMs including variables describing disturbance regimes may be better able to capture the probability of a species being present at a site. Finally, the differential effect of fire on species abundance and presence suggests functional differences between these responses, which could hamper attempts to make predictions about species abundances using models of presence.
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 | 0,001 |
| 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) | 0,001 | 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 ».