High resolution species distribution and abundance models cannot predict separate shrub datasets in adjacent Arctic fjords
Notice bibliographique
Résumé
Abstract Aim Improving species distribution models (SDMs) and species abundance models (SAMs) of woody shrubs is critical for predicting biodiversity changes in the Arctic, which is experiencing especially high warming rates. Yet, it remains relatively unexplored if SDMs and SAMs can explain local scale patterns. We aim to identify predictor differences for the distribution versus abundance of two widespread Arctic shrub species with high resolution models and to compare validation approaches to assess the models’ predictive abilities. Location Nuup Kangerlua (NK) and Kangerluarsunnguaq (K), two adjacent fjords in Southwest Greenland. Methods We conducted two separate field surveys in either fjord to construct high resolution (~90 m) SDMs and SAMs for Betula nana and Salix glauca , analysing the predictive influences of local scale climate, topography and soil moisture indicators. We then alternatively trained and validated models in either NK or K fjord and compared these results with the common split‐sample validation approach. Finally, we assessed if including local scale biotic predictors improves SAM performance. Results Temperature extremes and precipitation best predicted the distributions of both species, whereas insolation and soil moisture indicators best predicted abundances. Compared to split‐sample validation, both SDM and SAM performance was substantially reduced with separate survey validation. Regardless of validation approach, models performed poor to moderately well, and including local scale biotic parameters improved SAM performance. Main conclusions Substantial differences in model performance between validation approaches highlight the usefulness of using a separate survey for validating model predictive performance. We discuss various factors that might have caused poor model performance, such as not capturing all relevant predictors or enough local scale heterogeneity in predictor or response variables. We emphasise the need to include predictors relevant at the spatial scale of study, such as local scale biotic interactions, for improved predictions at high spatial resolution.
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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».