Can subsets of species indicate overall patterns in biodiversity?
Notice bibliographique
Résumé
Abstract Resource limitations often allow only a subset of species to be counted. But using subsets may bias inferences on spatial or temporal trends in biodiversity. Using data from a video survey on reefs in the Gulf of Mexico for which all fish species observed were counted (243 species), we investigated how the use of reduced species lists (RSLs) can impact perceived patterns in biodiversity. We estimated four common biodiversity metrics (species richness, and Margalef's, Shannon's, and Simpson's indices) at each of 2115 sampling locations, using the total species list and RSLs. For all diversity metrics, correlations between estimates using the total species list and RSLs increased with the number of species in the list. Using a bootstrap approach, we randomly generated hypothetical lists equal in length to each empirical RSL to evaluate their performance; empirical RSLs tended to perform similar to random lists of equivalent length when estimating species richness or Margalef's index, and tended to outperform most hypothetical RSLs when estimating Shannon's and Simpson's indices. To understand how to create better performing RSLs, we extended the bootstrap analysis to select RSLs of all possible lengths, using four different selection methods related to species commonness; the functional relationships between correlation and number of species in an RSL were similar among metrics but were very different among selection methods. With each hypothetical RSL, we tested common biodiversity hypotheses such as relationships with depth and latitude and compared the outcomes with the best estimate of true relationships identified using the total list. Longer lists comprised of the most common species more often identified the true relationship, but results showed complex patterns. Many short lists of the most common species yielded results opposite the true relationships, and many lists of intermediate length failed to identify any relationship while the total list showed a significant trend. Overall, these analyses show that sampling methods used for biodiversity studies should be as unselective as possible, and datasets based on more selective methods should be interpreted carefully and should not be expected to reflect true patterns in biodiversity.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».