The consequences of null model selection for predicting mortality from multiple stressors
Notice bibliographique
Résumé
Many ecological systems are now exposed to multiple stressors, and ecosystem management increasingly requires consideration of the joint effects of multiple stressors on focal populations, communities and ecosystems. In the absence of empirical data, ecosystem managers could use null models based on the combination of independently acting stressors to estimate the joint effects of multiple stressors. Here, we used a simulation study and a meta-analysis to explore the consequences of null model selection for the prediction of mortality resulting from exposure to two stressors. Comparing five existing null models, we show that some null models systematically predict lower mortality rates than others, with predicted mortality rates up to 67.5% higher or 50% lower than the commonly used Simple Addition model. However, the null model predicting the highest mortality rate differed across parameter sets, and therefore there is no general 'precautionary null model' for multiple stressors. Using a multi-model framework, we re-analysed data from two earlier meta-analyses and found that 54% of the observed joint effects fell within the range of predictions from the suite of null models. Furthermore, we found that most null models systematically underestimated the observed joint effects, with only the Stressor Addition model showing a bias for overestimation. Finally, we found that the intensity of individual stressors was the strongest predictor of the magnitude of the joint effect across all null models. As a result, studies characterizing the effects of individuals stressors are still required for accurate prediction of mortality resulting from multiple stressors.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».