Spatial resilience of the Great Barrier Reef under cumulative disturbance impacts
Notice bibliographique
Résumé
Abstract In the face of increasing cumulative effects from human and natural disturbances, sustaining coral reefs will require a deeper understanding of the drivers of coral resilience in space and time. Here we develop a high‐resolution, spatially explicit model of coral dynamics on Australia's Great Barrier Reef (GBR). Our model accounts for biological, ecological and environmental processes, as well as spatial variation in water quality and the cumulative effects of coral diseases, bleaching, outbreaks of crown‐of‐thorns starfish ( Acanthaster cf. solaris ), and tropical cyclones. Our projections reconstruct coral cover trajectories between 1996 and 2017 over a total reef area of 14,780 km 2 , predicting a mean annual coral loss of −0.67%/year mostly due to the impact of cyclones, followed by starfish outbreaks and coral bleaching. Coral growth rate was the highest for outer shelf coral communities characterized by digitate and tabulate Acropora spp. and exposed to low seasonal variations in salinity and sea surface temperature, and the lowest for inner‐shelf communities exposed to reduced water quality. We show that coral resilience (defined as the net effect of resistance and recovery following disturbance) was negatively related to the frequency of river plume conditions, and to reef accessibility to a lesser extent. Surprisingly, reef resilience was substantially lower within no‐take marine protected areas, however this difference was mostly driven by the effect of water quality. Our model provides a new validated, spatially explicit platform for identifying the reefs that face the greatest risk of biodiversity loss, and those that have the highest chances to persist under increasing disturbance regimes.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».