Genetic data improves niche model discrimination and alters the direction and magnitude of climate change forecasts
Notice bibliographique
Résumé
Ecological niche models (ENMs) have classically operated under the simplifying assumptions that there are no barriers to gene flow, species are genetically homogeneous (i.e., no population-specific local adaptation), and all individuals share the same niche. Yet, these assumptions are violated for most broadly distributed species. Here, we incorporate genetic data from the widespread riparian tree species narrowleaf cottonwood (Populus angustifolia) to examine whether including intraspecific genetic variation can alter model performance and predictions of climate change impacts. We found that (1) P. angustifolia is differentiated into six genetic groups across its range from México to Canada and (2) different populations occupy distinct climate niches representing unique ecotypes. Comparing model discriminatory power, (3) all genetically informed ecological niche models (gENMs) outperformed the standard species-level ENM (3-14% increase in AUC; 1-23% increase in pROC). Furthermore, (4) gENMs predicted large differences among ecotypes in both the direction and magnitude of responses to climate change and (5) revealed evidence of niche divergence, particularly for the Eastern Rocky Mountain ecotype. (6) Models also predicted progressively increasing fragmentation and decreasing overlap between ecotypes. Contact zones are often hotspots of diversity that are critical for supporting species' capacity to respond to present and future climate change, thus predicted reductions in connectivity among ecotypes is of conservation concern. We further examined the generality of our findings by comparing our model developed for a higher elevation Rocky Mountain species with a related desert riparian cottonwood, P. fremontii. Together our results suggest that incorporating intraspecific genetic information can improve model performance by addressing this important source of variance. gENMs bring an evolutionary perspective to niche modeling and provide a truly "adaptive management" approach to support conservation genetic management of species facing global change.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».