Contrasting beta diversity among regions: how do classical and multivariate approaches compare?
Notice bibliographique
Résumé
Abstract Aim Approaches to calculating beta diversity (β) include classical measures based on alpha (α) and gamma (γ) diversity, and multivariate distance‐based measures. Species–area relationships cause measurements of γ to vary, making comparisons of classical β among regions contingent on sampling effort. A recent null‐modelling approach has attempted to account for variation in γ by calculating the degree to which β deviates from a random expectation. Here, we clarify the mathematical links between classical and multivariate approaches to measuring β, to derive predictions regarding the reliability of classical, null‐model and multivariate approaches. Next, we use four ecological datasets and simulated data to test the consistency of these approaches across sampling effort and γ. We focus on an issue that arises when making comparisons among regions, namely that even small changes to the area sampled can differentially increase measured γ in each region, potentially causing artefacts in β that are driven by methodology rather than biology. Innovation Comparisons among regions using classical and null‐model measures change dramatically as sampling effort and γ increase. This change is understood for classical β because of species–area relationships, but not for null‐model measures, making comparisons among regions impossible using the null‐model approach. Multiple‐site dissimilarity shows a similar sensitivity to γ as classical measures. In contrast, pairwise multivariate distances show no systematic effect of sampling effort and γ: increasing the number of sample plots decreases variability but does not alter mean β. Main conclusions Multivariate pairwise distances are independent of sample size, offering the most robust comparison among regions. The widespread influence of sampling effort and γ indicate that only scale‐dependent measures of classical and multiple‐site β are comparable, whereas null‐model β may not be comparable among regions. However, in cases where γ is well known, multiple‐site dissimilarity metrics offer several advantages, and should be strongly considered.
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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».