Cryptic dispersal networks shape biodiversity in an invaded landscape
Notice bibliographique
Résumé
Species interact with the physical world in complex ways, and life-history strategies could cause species to differ in how they experience the connectedness of the same landscape. As a consequence, dispersal limitation might be present but not captured by distance-based measures of connectivity. To test these ideas, we surveyed plant communities that live on discrete patches of serpentine habitat embedded within an invaded nonserpentine habitat matrix. Species in these communities differ in dispersal mode (gravity, animal, or wind); thus we used satellite imagery to quantify landscape features that might differentially influence connectivity for some dispersal- mode groups over others (surface streams, animal paths). Our data yielded two key insights: first, dispersal limitation appeared to be absent using a conventional distance-based measure of connectivity, but emerged after considering forms of landscape connectivity relevant to each dispersal mode. Second, the landscape variables that emerged as most important to each dispersal mode were generally consistent with our predictions based on species' putative dispersal vectors, but also included unexpected interactive effects. For example, the richness of animal-dispersed species was positively associated with animal connectivity when patches were close in space, but when patches were isolated, animals had a strong negative effect. This finding alludes to the reduced ability of animals to disperse seeds between suitable patches in invaded landscapes because of increased inter-patch distances. Real landscapes include complex spatial flows of energy and matter, which, as our work demonstrates, sets up ecological opportunity for organisms to differ in how they disperse in a common landscape.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».