Spatio‐temporal connectivity: assessing the amount of reachable habitat in dynamic landscapes
Notice bibliographique
Résumé
Summary Landscape heterogeneity and habitat connectivity affect species movements, playing an important role in determining the likelihood of species persistence. However, landscape connectivity is usually evaluated using static snap‐shots, which do not account for the sequential interactions among habitat patches through time. We developed a network‐based model of landscape dynamics, and corresponding connectivity metrics, to account for the reachable habitat across space and time. We illustrate the behaviour of these metrics, using fragmented forested landscapes in the Atlantic Forest of Brazil. We parametrized the models using the dispersal capacities of selected bird and small mammal species. We found that when considering spatio‐temporal links, connectivity is estimated to be on average 30% higher (with a maximum of 150% higher) than what is estimated from purely spatial models. This higher degree of spatio‐temporal connectivity arises due to connections through temporal stepping‐stone patches that appear (habitat gain) and disappear (habitat loss) over time. Species with short dispersal distances (<1000 m) particularly benefited from the spatio‐temporal connections. The contribution of spatio‐temporal connectivity to habitat reachability increased with higher habitat loss rates. Moreover, it depended on the amount of habitat in the landscape, being higher at intermediate habitat amounts (∼30%). We showed that accounting for spatio‐temporal connectivity is critical for understanding ecological patterns and processes in dynamic landscapes, and that a series of purely spatial connectivity metrics underestimates the actual connectivity patterns across time. The proposed spatio‐temporal connectivity approach and metrics can be applied to evaluate the effective connectivity patterns and trends in a variety of dynamic landscapes, avoiding the potential overestimates of population isolation and extinction probabilities that may result from widely used purely spatial connectivity models.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».