Disentangling vegetation and climate as drivers of Australian vertebrate richness
Notice bibliographique
Résumé
Determining drivers of species richness is recognised as highly complex, involving many synergies and interactions. We examine the utility of newly available remote sensing representations of vegetation productivity and vegetation structure to examine drivers of species richness at continental and regional scales. We related richness estimates derived from stacked species distribution models for birds, mammals, amphibians, and reptiles to estimates of actual and potential evapotranspiration (AET and PET), forest structure, and forest productivity across Australia as a whole as well as by bioclimatic zones. We used structural equation modeling to partition correlations between climate energy and vegetation attributes and their subsequent associations with species richness. Continentally, vertebrate richness patterns were strongly related to patterns of energy availability. Richness of amphibians, mammals, and birds were positively associated with AET. However, reptile richness was most strongly associated with PET. Regionally, forest structure and productivity associations with bird, mammal, and amphibian richness were strongest. Again, reptile richness associated most strongly with PET. Our results suggest that a hierarchy of drivers of broad‐scale vertebrate richness patterns exist (reptiles excluded): 1) climate energy is most important at the continental scale; next, 2) vegetation productivity and vegetation structure are most important at the regional scale; except 3) at low extremes of climate energy when energy becomes limiting.
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 | 0,000 | 0,000 |
| 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».