Sampling and asymptotic network properties of spatial multi‐trophic networks
Notice bibliographique
Résumé
Collecting well‐resolved empirical trophic networks requires significant time, money and expertise, yet we are still lacking knowledge on how sampling effort and bias impact the estimation of network structure. Filling this gap is a critical first step towards creating accurate representations of ecological networks and for teasing apart the impact of sampling compared to ecological and evolutionary processes that are known to create spatio‐temporal variation in network structure. We use a well‐sampled spatial dataset of lake food webs to examine how sample effort influences network structure. Specifically, we predict asymptotic network properties (ANPs) for our dataset by comparing lake‐specific network metrics with increasing sampling effort. We then contrast three sampling strategies – random, smallest lake to largest lake or largest lake to smallest lake – to assess which strategy best captures the regional metaweb (i.e. network of all potential interactions) network properties. We demonstrate metric‐specific relationships between sample effort and network metrics, often diverging from the ANPs. For example, low sample effort can contribute to much lower and poorer estimates of closeness centralization, as compared to approximations of modularity with similar sample efforts. In fact, many network metrics (e.g. connectance) have a quadratic relationship with sample effort indicating a sampling ‘sweet spot', which represents optimal sample effort for a close approximation of the ANP. Further, we find that sampling larger lakes followed by smaller lakes is a more optimal sampling strategy for capturing metaweb properties in this lentic ecosystem. Overall, we provide clear ways to better understand the impacts of sampling bias in food‐web studies which may be particularly critical given the rapid increase in studies comparing food webs across space and time.
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 ».