Abundance‐ and incidence‐based estimation of total number of rare species in under‐sampled sites
Notice bibliographique
Résumé
Abstract Questions Ecologists collecting field samples of biological data have a keen interest in addressing the following question: how many rare species are there in as‐yet unsurveyed additional samples? Depending on the size of a targeted additional sample, statistical models for estimating the number of rare species have not been systematically established and compared. Location Global. Methods For fairly comparing and predicting rare‐species richness at the same sample‐size baseline, we systematically developed and compared four estimators for rarefaction and extrapolation of rare‐species richness with a given specific abundance. These four estimators included a uniformly minimum variance unbiased (UMVUE), Bayesian‐weighted, Chao‐derived unweighted and naïve estimator. Results After extensive numerical tests, for conducting rarefaction of rare‐species richness (i.e., when additional sample size was not larger than the original one) it is recommended to implement UMVUE, as it has zero bias and coverage percentage closest to 0.95. However, the performance of Bayesian‐weighted and Chao‐derived estimators is also satisfactory. By contrast, for conducting extrapolation of rare‐species richness (i.e., when the additional sample size is larger than the original one), the Bayesian‐weighted estimator is recommended, as it has the best performance among the four estimators (here UMVUE is inapplicable). Conclusions There was no absolute winner, as the different estimators have their own merits and are recommended under different settings. When conducting rarefaction of rare‐species richness, UMVUE, which has the highest accuracy, is recommended. By contrast, when conducting extrapolation of rare‐species richness, the Bayesian‐weighted estimator is recommended, as it has the overall best performance. To facilitate the potential application in the comparison and prediction of rare‐species diversity using rarefaction and extrapolation techniques, an R package (fRSE) has been developed; it is freely distributed at the following URL: https://github.com/ecomol/fRSE .
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| 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 ».