Causal drivers of climate‐mediated coral reef regime shifts
Notice bibliographique
Résumé
Abstract Climate‐induced coral bleaching events are a leading threat to coral reef ecosystems and can result in coral–macroalgal regime shifts that are difficult to reverse. It is unclear how different factors causally influence regime shift or recovery trajectories after a bleaching event. Here, we use structural causal modeling (SCM) and its application of directed acyclic graphs (DAGs) to determine how key factors affect regime shift versus recovery potential across coral reefs in Seychelles, which were severely impacted by bleaching events in 1998 and 2016. Our causal models reveal additional causal drivers of regime shifts, including initial macroalgal cover, wave exposure, and branching coral cover. We also find that reduced depth and structural complexity and increased nutrients increase the likelihood of regime shifting. Further, we use a DAG‐informed predictive model to show how recovering reefs are expected to change after a recent 2016 bleaching event, suggesting that three out of 12 recovering reefs are expected to regime shift given their predisturbance conditions. Collectively, our results provide the first causally grounded analysis of how different factors influence postbleaching regime shift versus recovery potential on coral reefs. More broadly, SCM stands apart from previous observational analysis and provides a strong framework for causal inference across other observational ecological studies.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».