Partitioning the temporal changes in abundance‐based beta diversity into loss and gain components
Notice bibliographique
Résumé
Abstract Ecologists have long recognized that the losses and gains in local species abundances can either decrease or increase spatial beta diversity, phenomena often referred to as biotic homogenization and differentiation, respectively. However, quantifying such dynamic impacts of species abundances on beta diversity has remained a methodological challenge. Here, we develop a numerical method to additively partition the temporal changes in beta diversity into distinct components that reflect the losses and gains in local species abundances. Our method is based on Ružička and Bray–Curtis indices and the normalized abundance‐based Whittaker's beta diversity. The temporal changes in these measures are partitioned into components that represent biotic homogenization and differentiation driven by abundance losses and gains at both species and community levels. Application of the method to a Swedish fish community dataset revealed decreases in beta diversity between 1990 and 2018. The homogenization of fish communities was explained by gains, but not losses, in species abundances across sites. Species‐level partitioning further showed that the homogenization was largely caused by the increased population sizes of a particular species in sites where it was already present. The results highlight that our partitioning method effectively identifies local population and community processes embedded in regional biodiversity patterns. We believe that explicit analyses of the losses and gains in species abundances should bring deeper insights into the dynamics of beta diversity.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,000 | 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 ».