Climatic and vegetational drivers of insect beta diversity at the continental scale
Notice bibliographique
Résumé
AIM: We construct a framework for mapping pattern and drivers of insect diversity at the continental scale and use it to test whether and which environmental gradients drive insect beta diversity. LOCATION: Global; North and Central America; Western Europe. TIME PERIOD: 21st century. MAJOR TAXA STUDIED: Insects. METHODS: An informatics system was developed to integrate terrestrial data on insects with environmental parameters. We mined repositories of data for distribution, climatic data were retrieved (WorldClim), and vegetation parameters inferred from remote sensing analysis (MODIS Vegetation Continuous Fields). Beta diversity between sites was calculated and then modeled with two methods, Mantel test with multiple regression and generalized dissimilarity modeling. RESULTS: Geographic distance was the main driver of insect beta diversity. Independent of geographic distance, bioclimate variables explained more variance in dissimilarity than vegetation variables, although the particular variables found to be significant were more consistent in the latter, particularly, tree cover. Tree cover gradients drove compositional dissimilarity at denser coverages, in both continental case studies. For climate, gradients in temperature parameters were significant in driving beta diversity more so than gradients in precipitation parameters. MAIN CONCLUSIONS: Although environmental gradients drive insect beta diversity independently of geography, the relative contribution of different climatic and vegetational parameters is not expected to be consistent in different study systems. With further incorporation of additional temporal information and variables, this approach will enable the development of a predictive framework for conserving insect biodiversity at the global scale.
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) | 0,008 | 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 ».