Realistic simulation of the effects of abundance distribution and spatial heterogeneity on non-parametric estimators of species richness
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
Several non-parametric estimators have been proposed for estimating species richness from a spatial sample. While the label non-parametric may suggest that a method makes few assumptions, these estimators are known to rely on a homogeneous community with certain abundance distributions. In this paper we simulate the effect of different abundance distributions (geometric series, log-normal, and broken-stick models) and of different types of spatial heterogeneity (species-specific aggregation, gradients, and an edge effect) on the performance of four non-parametric estimators of species richness for presence-absence data (Jack1, Jack2, Chao2, and ICE). In order to focus on parameter settings likely to be encountered in real communities, we derived simulation parameters from real data from four agricultural habitat types in central Switzerland. Based on an ANOVA of relative bias, all estimators failed for communities simulated under the geometric model and were considerably affected by a simulated edge effect, but species-specific aggregation, an environmental gradient, and differences between community types had little effect on estimator performance. Species abundance distribution and spatial heterogeneity influence estimator performance by decreasing the proportion of species represented in the sample, which may be counteracted by adapting the sampling design. For reasonably complete samples, Chao2 was the least biased, but suffered from a large variance, as did Jack2. We recommend using the first order jackknife Jack1 or the incidence-based coverage estimator ICE, but only for samples that contain at least 80% of the species.
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 | 0,000 | 0,002 |
| 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 découle