Effect of time series length and resolution on abundance‐ and trait‐based early warning signals of population declines
Notice bibliographique
Résumé
Natural populations are increasingly threatened with collapse at the hands of anthropogenic effects. Predicting population collapse with the help of generic early warning signals (EWS) may provide a prospective tool for identifying species or populations at highest risk. However, pattern-to-process methods such as EWS have a multitude of challenges to overcome to be useful, including the low signal-to-noise ratio of ecological systems and the need for high quality time series data. The inclusion of trait dynamics with EWS has been proposed as a more robust tool to predict population collapse. However, the length and resolution of available time series are highly variable from one system to another, especially when generation time is considered. As yet, it remains unknown how this variability with regards to generation time will alter the efficacy of EWS. Here we take both a simulation- and experimental-based approach to assess the impacts of relative time series length and resolution on the forecasting ability of EWS. We show that EWS' performance decreases with decreasing time-series length. However, there was no evident decrease in EWS performance as resolution decreased. Our simulations suggest a relative time series length between 10 and five generations as a minimum requirement for accurate forecasting by abundance-based EWS. However, when trait information is included alongside abundance-based EWS, we find positive signals at lengths one-half of what was required without them. We suggest that, in systems where specific traits are known to affect demography, trait data should be monitored and included alongside abundance data to improve forecasting reliability.
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) | 0,000 | 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 ».