Dispersal‐driven homogenization of wetland vegetation revealed from local contributions to β‐diversity
Notice bibliographique
Résumé
Abstract Questions Within a meta‐community, what determines how local species composition differs from the regional community? How do local conditions and landscape context affect this differentiation in wetland vegetation? Location Fleurieu Peninsula, South Australia. Methods We sampled native vegetation across 26 hydrological gradients in a wetland meta‐community within a heavily cleared agricultural landscape. We used the local contribution to β‐diversity to quantify how species composition at each site differed from the average across all sites. We hypothesized that local contribution to β‐diversity would respond to assembly processes (niche, biological interactions, dispersal) through effects on the species turnover and richness difference components of β‐diversity. We used beta regression to model local contribution to β‐diversity, building a candidate set of 55 models, each incorporating one of the assembly processes. We used standardized regression coefficients to measure effect size, and null models to explore diversity patterns further. Results While variations in among‐site niche dimensions were influential, the strongest control on local contribution to β‐diversity was a negative association with the number of wetlands within 200 m. Null models showed this was because common species were over‐represented in well‐connected sites within the meta‐community, while rare species were under‐represented. Conclusions Our results demonstrate the homogenization of native plant species composition in well‐connected wetlands, consistent with theoretical predictions of declining β‐diversity when connectivity is high. We recommend comparative analysis of local species composition to regional average diversity to evaluate the role of wetland connectivity in homogenization of composition before conservation or restoration priorities are assigned.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».