Integrating over uncertainty in spatial scale of response within multispecies occupancy models yields more accurate assessments of community composition
Notice bibliographique
Résumé
Species abundance and community composition are affected not only by the local environment, but also by broader landscape and regional context. Yet, determining the spatial scales at which landscapes affect species remains a persistent challenge, hindering our ability to understand how environmental gradients shape communities. This problem is amplified by rare species and imperfect species detection. Here, we present a Bayesian framework that allows uncertainty surrounding the ‘true’ spatial scale of species’ responses (i.e. changes in presence/absence) to be integrated directly into a community hierarchical model. This scale‐selecting multispecies occupancy model (ssMSOM) estimates the scale of response, and shows high accuracy and correct levels of uncertainty in parameter estimates across a broad range of simulation conditions. An ssMSOM can be run in a matter of minutes, as opposed to the many hours required to run normal multispecies occupancy models at all queried spatial scales, and then conduct model selection – a problem that up to now has prohibited scale of response from being rigorously evaluated in an occupancy framework. Alternatives to the ssMSOM, such as GLM‐based approaches frequently fail to detect the correct spatial scale and magnitude of response, and are often falsely confident by favoring the incorrect parameter estimates, especially as species’ detection probabilities deviate from perfect. We further show how trait information can be leveraged to understand how individual species’ scales of response vary within communities. Integrating spatial scale selection directly into hierarchical community models provides a means of formally testing hypotheses regarding spatial scales of response, and more accurately determining the environmental drivers that shape communities.
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 | 0,001 | 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) | 0,000 | 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 ».