A Trait-Based Clustering for Phytoplankton Biomass Modeling and Prediction
Notice bibliographique
Résumé
When designing models for predicting phytoplankton biomass or characterizing traits, it is useful to aggregate the myriad of species into a few biologically meaningful groups and focus on group-level attributes, the common practice being to combine phytoplankton species by functional types. However, biogeochemists and plankton ecologists debate the most applicable grouping for describing phytoplankton biomass patterns and predicting future community structure. Although trait-based approaches are increasingly being advocated, methods are missing for the generation of trait-based taxa as alternatives to functional types. Here we introduce such a method and demonstrate the usefulness of the resulting clustering with field data. We parameterize a Bayesian model of biomass dynamics and analyze long-term phytoplankton data collected at Station L4 in the Western English Channel between April 2003 and December 2009. We examine the tradeoffs encountered regarding trait characterization and biomass prediction when aggregating biomass by (1) functional types, (2) the trait-based clusters generated by our method, and (3) total biomass. The model conveniently extracted trait values under the trait-based clustering, but required well-constrained priors under the functional type categorization. It also more accurately predicted total biomass under the trait-based clustering and the total biomass aggregation with comparable root mean squared prediction errors, which were roughly five-fold lower than under the functional type grouping. Although the total biomass grouping ignores taxonomic differences in phytoplankton traits, it predicts total biomass change as well as the trait-based clustering. Our results corroborate the value of trait-based approaches in investigating the mechanisms underlying phytoplankton biomass dynamics and predicting the community response to environmental changes.
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 ».