MétaCan
Menu
Retour à la cohorte
Enregistrement W2781013170 · doi:10.1111/jbi.13156

What makes the Sino‐Himalayan mountains the major diversity hotspots for pheasants?

2017· article· en· W2781013170 sur OpenAlex
Tianlong Cai, Jon Fjeldså, Yongjie Wu, Shimiao Shao, Youhua Chen, Qing Quan, Xinhai Li, Gang Song, Yanhua Qu, Gexia Qiao, Fumin Lei

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Biogeography · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueEvolution and Paleontology Studies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Scholarship CouncilNational Natural Science Foundation of ChinaMinistry of Science and Technology of the People's Republic of ChinaChinese Academy of SciencesDanmarks GrundforskningsfondInnovative Research Group Project of the National Natural Science Foundation of China
Mots-clésSpecies richnessEcologyBiodiversityEcological nichePhylogenetic diversityBiologyNicheSpecies diversityBiodiversity hotspotBody size and species richnessInsular biogeographyBiogeographyPhylogenetic treeHabitat

Résumé

récupéré en direct d'OpenAlex

Abstract Aim The Sino‐Himalayas have higher species richness than adjacent regions, making them a global biodiversity hotspot. Various mechanisms, including ecological constraints, energetic constraints, diversification rate (DivRate) variation, time‐for‐speciation effect and multiple colonizations, have been posited to explain this pattern. We used pheasants (Aves: Phasianidae) as a model group to test these hypotheses and to understand the ecological and evolutionary processes that have generated the extraordinary diversity in these mountains. Location Sino‐Himalayas and adjacent regions. Taxon Pheasants. Methods Using distribution maps predicted by species distribution models ( SDM s) and a time‐calibrated phylogeny for pheasants, we examined the relationships between species richness and predictors including net primary productivity ( NPP ), niche diversity (NicheDiv), DivRate, evolutionary time (EvolTime) and colonization frequency using Pearson's correlations and structural equation modelling ( SEM ). We reconstructed ancestral ranges at nodes and examined basal/derived species patterns to reveal the mechanisms underlying species richness gradients in the Sino‐Himalayas. Results We found that ancestral pheasants originated in Africa in the early Oligocene (~33 Ma), and then colonized the Sino‐Himalayan mountains and other regions. In the Sino‐Himalayas, species richness was strongly related to DivRate, NPP , NicheDiv and colonization frequency, but weakly correlated with EvolTime. The direct effects of NicheDiv and DivRate on richness were stronger than NPP and EvolTime. NPP indirectly influenced species richness via DivRate, but its effect on richness via NicheDiv was relatively weak. Main conclusions Higher species diversity in the Sino‐Himalayas was generated by both ecological and evolutionary mechanisms. An increase in available niches, rapid diversifications and multiple colonizations was found to be key direct processes for the build‐up of the diversity hotspots of pheasants in the Sino‐Himalayan mountains. Productivity had an important but indirect effect on species richness, which worked through increased DivRate. Our study offers new insights on species accumulation in the Sino‐Himalayas and provides a useful model for understanding other biodiversity hotspots.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0030,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,261
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle