Functional traits and metacommunity theory reveal that habitat filtering and competition maintain bird diversity in a human shared landscape
Notice bibliographique
Résumé
Human‐shared landscapes cover much of Earth, yet their conservation value is contested. This controversy may persist because previous studies have examined species diversity, rather than the processes through which such diversity is maintained. For example, a site exhibiting high diversity may not actually bolster populations if the diversity is only maintained through net immigration. Recent research has begun to isolate the processes that maintain metacommunities and develop functional trait methods to identify these processes. However, the processes underlying bird communities remain obscure. Here, we leverage metacommunity theory, functional trait partitioning and a Bayesian multispecies abundance model to assess whether a shared landscape – woody perennial polyculture farms – bolsters bird diversity. Such farms grow multiple species of food‐producing woody perennials together with vegetative groundcover. We surveyed birds and their in situ functional traits across the US Midwest in traditional agriculture, woody perennial polyculture, prairie and woods. We found that woody perennial polycultures exhibited the highest bird diversity and were the most preferred by many species (including threatened ones). Moreover, our functional trait analysis suggests that this diversity is maintained through habitat filtering and competition, rather than merely immigration. Thus, shared landscapes can likely conserve birds by providing a distinct habitat. These results suggest that woody perennial polyculture farms offer substantial potential to support bird populations in the US Midwest. Our study demonstrates the utility of in situ functional trait partitioning within a Bayesian framework to unmask ecological processes and help assess the conservation value of landscapes.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».