Estimating non‐indigenous species establishment and their impact on biodiversity, using the Relative Suitability Richness model
Notice bibliographique
Résumé
Summary Key questions in invasion biology include where will a non‐indigenous species (NIS) establish, and how will it affect biodiversity? Scientists have addressed the first question, largely through correlating species’ distributions with environmental factors (i.e. species distribution models, SDM). Conceptually, SDMs reflect a species’ abiotic constraints, but in reality, they measure the realized rather than fundamental niche. This is a limitation of SDMs, but analysed correctly, it may also be a strength since SDMs already incorporate the outcome of species interactions. We postulate that we can use the relative predicted probabilities of occurrences in each location from SDMs to predict the outcome of interactions between species. Based on this idea, we develop the Relative Suitability Richness (RSR) model, and generate two protocols to (i) assess theoretically whether we can predict the probability of establishment, and (ii) by conducting counterfactual analyses, the extent to which we can infer the impact of NIS on biodiversity. Species distribution models based solely on abiotic factors have the potential to predict species establishment well, even when biotic interactions are strong. However, predictions improved with inclusion of biotic data, even with only partial information. Even with weak environmental predictors and no community data, macro‐scale predictions could still be strong and one can estimate loss of native populations, as long as the fitting environment was representative of the prediction environment. If environmental conditions change, predictions were still possible so long as either good environmental predictors and/or biotic information was available. Policy implications. Risk analyses are often recommended to guide management practices; they depend upon forecasting the likelihood and severity of an invasion. The Relative Suitability Richness protocols developed here predict non‐indigenous species occurrences and impact, using even partial biotic data on native species occurrences, to provide key information needed to estimate invasion risk, prioritize management effort and advance invasive species policy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».