Fauxcurrence: simulating multi‐species occurrences for null models in species distribution modelling and biogeography
Notice bibliographique
Résumé
Defining appropriate null expectations for species distribution hypotheses is important because sampling bias and spatial autocorrelation can produce realistic, but ecologically meaningless, geographic patterns. Generating null species occurrences with similar spatial structure to observed data can help overcome these problems, but existing methods focus on single or pairs of species and do not incorporate between‐species spatial structure that may occlude comparative biogeographic analyses. Here, we describe an algorithm for generating randomised species occurrence points that mimic the within‐ and between‐species spatial structure of real datasets and implement it in a new R package – fauxcurrence . The algorithm can be implemented on any geographic domain for any number of species, limited only by computing power. To demonstrate its utility, we apply the algorithm to two common analysis‐types: testing the fit of species distribution models (SDMs) and evaluating niche‐overlap. The method works well on all tested datasets within reasonable timescales. We found that many SDMs, despite a good fit to the data, were not significantly better than null expectations and identified only two cases (out of a possible 32) of significantly higher niche divergence than expected by chance. The package is user‐friendly, flexible and has many potential applications beyond those tested here, such as joint SDM evaluation and species co‐occurrence analysis, spanning the areas of ecology, evolutionary biology and biogeography.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,004 | 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 ».