Estimating regional species richness using a limited number of survey units
Notice bibliographique
Résumé
Abstract:The accurate and precise estimation of species richness at large spatial scales using a limited number of survey units is of great significance for ecology and biodiversity conservation. We used the distribution data of native fish and resident breeding bird species compiled for two geographic regions in the U.S.A. to evaluate five established (Jackknife-1 and -2, Chao-2, ICE, and Bootstrap methods) and two new (CY-1 and -2) estimators. Both new estimators are based on relationships between species richness per subsample and the mean Jaccard coefficient across multiple pairs of subsamples, but they differ in the way the relationships are fit. The four regional faunas (two regions × two taxonomic groups) exhibited distinct species-occurrence distributions and a range of spatial heterogeneity. Re-sampling techniques were used to generate subsamples of five sizes (0.61-11.5% of a whole region) for examining the effect of sampling effort. With the total number of species recorded in each region taken as the regional richness, CY-1 and -2 were least biased at low sampling effort and CY-2 and Jackknife-2 were least biased at higher sampling effort. The differences in performance could be partially attributed to whether an estimator relied on the number (e.g., Jackknife-1) or the proportion of singletons (CY-1 and -2) for extrapolation. The estimation of fish species richness was more biased and less precise than that of bird species richness. This difference was closely related to how species-occurrence probability varied among species in a fauna (i.e., species-occurrence probability distribution). The estimators tested, particularly CY-2 and Jackknife-2, are useful in estimating regional total species richness; however, more robust methods are needed, which should take the form of species-occurrence probability distributions into account.Résumé:L’estimation juste et précise de la richesse en espèces à de grandes échelles spatiales par l’utilisation d’un nombre limité d’unités d’échantillonnage est très importante en écologie et en conservation de la biodiversité. Nous avons utilisé des données sur la répartition de poissons indigènes et d’espèces d’oiseaux nicheurs résidents colligées dans deux régions des États-Unis afin d’évaluer la pertinence d’estimateurs. Cinq de ceux-ci sont déjà connus (méthodes Jackknife-1 et -2, Chao-2, ICE et Bootstrap) et deux sont nouveaux (CY-1 et -2). Les nouveaux estimateurs sont fondés sur les relations qui existent entre la richesse en espèces par sous-échantillon et le coefficient moyen de Jaccard entre plusieurs paires de sous-échantillons. Ils diffèrent toutefois dans la façon dont les relations sont établies. Les quatre faunes régionales (deux régions × deux groupes taxonomiques) affichent des répartitions distinctes dans la présence des espèces et une certaine hétérogénéité spatiale. Des techniques de ré-échantillonnage ont été utilisées pour produire des sous-échantillons de cinq tailles (0,61 à 11,5 % de l’ensemble d’une région) afin de vérifier l’effet de l’effort d’échantillonnage. Selon les résultats de richesse régionale, basés sur le nombre total d’espèces comptées dans chaque région, ce sont les estimateurs CY-1 et -2 qui produisent les valeurs les plus justes lorsque l’effort d’échantillonnage est faible. CY-2 et Jackknife-2 donnent les meilleurs estimés lorsque l’effort d’échantillonnage est plus élevé. Les différences de performance peuvent être attribuées, en partie, sur ce que l’estimateur utilise pour extrapoler, soit le nombre de singletons (par ex. : Jackknife-1) ou leur proportion (CY-1 et -2). L’estimation de la richesse en espèces des poissons est plus biaisée et moins précise que celle des oiseaux. Cette différence dépend de la façon dont la probabilité de présence d’une espèce varie entre les espèces fauniques. Les estimateurs testés, en particulier CY-2 et Jackknife-2, sont utiles dans l’estimation de la richesse spécifique totale d’une région. Des méthodes plus robustes seraient toutefois nécessaires pour obtenir de meilleurs résultats. Elles devraient tenir compte de la forme de la probabilité de distribution de la présence des espèces.Key words:: autosimilaritybiodiversityestimatorsJaccard coefficientregional scalesampling effortspecies richnessunderestimationMots-clés:: autosimilaritébiodiversitécoefficient de Jaccardéchelle régionaleeffort d’échantillonnageestimateursrichesse en espècessous-estimation Notes1 Associate Editor: David Currie.
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 | 0,001 |
| 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 ».