Species richness in North Atlantic fish: Process concealed by pattern
Notice bibliographique
Résumé
Abstract Aim Previous analyses of marine fish species richness based on presence‐absence data have shown changes with latitude and average species size, but little is known about the underlying processes. To elucidate these processes we use metabolic, neutral and descriptive statistical models to analyse how richness responds to maximum species length, fish abundance, temperature, primary production, depth, latitude and longitude, while accounting for differences in species catchability, sampling effort and mesh size. Data Results from 53,382 bottom trawl hauls representing 50 fish assemblages. Location The northern Atlantic from Nova Scotia to Guinea. Time period 1977–2013. Methods A descriptive generalized additive model was used to identify functional relationships between species richness and potential drivers, after which nonlinear estimation techniques were used to parameterize: (a) a ‘best’ fitting model of species richness built on the functional relationships, (b) an environmental model based on latitude, longitude and depth, and mechanistic models based on (c) metabolic and (d) neutral theory. Results In the ‘best’ model the number of species observed is a lognormal function of maximum species length. It increases significantly with temperature, primary production, sampling effort, and abundance, and declines with depth and, for small species, with the mesh size in the trawl. The ‘best’ model explains close to 90% of the deviance and the neutral, metabolic and environmental models 89%. In all four models, maximum species length and either temperature or latitude account for more than half of the deviance explained. Main conclusions The two mechanistic models explain the patterns in demersal fish species richness in the northern Atlantic almost equally well. A better understanding of the underlying drivers is likely to require development of dynamic mechanistic models of richness and size evolution, fit not only to extant distributions, but also to historical environmental conditions and to past speciation and extinction rates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».