Simulating the effects of long‐distance dispersal and landscape heterogeneity on the eco‐evolutionary outcomes of range expansion in an invasive riverine fish, Tench (<i>Tinca tinca</i>)
Notice bibliographique
Résumé
Abstract Predicting how quickly populations expand their range and whether they will retain genetic diversity when they are introduced to new regions or track environmental conditions suited to their survival is an important applied and theoretical challenge. The literature suggests that long‐distance dispersal, landscape heterogeneity and the evolution of dispersal influence populations' expansion rates and genetic diversity. We used individual‐based spatially explicit simulations to examine these relationships for Tench (Tinca tinca), an invasive fish expanding its geographical range in eastern North America since the 1990s. Simulated populations varied greatly in expansion rates (1.1–28.6 patches year−1) and genetic diversity metrics, including changes in observed heterozygosity (−19 to +0.8%) and effective number of alleles (−0.32 to −0.01). Populations with greater dispersal distances expanded faster than those with smaller dispersal distances but exhibited considerable variation in expansion rate among local populations, implying less predictable expansions. However, they tended to retain genetic diversity as they expanded, suggesting more predictable evolutionary trajectories. In contrast, populations with smaller dispersal distances spread predictably more slowly but exhibited more variability among local populations in genetic diversity losses. Consistent with empirical data, populations spreading in a longer, narrower dispersal corridor lost more neutral genetic variation to the stochastic fixation of alleles. Given the unprecedented pace of anthropogenic environmental change and the increasing need to manage range‐expanding populations, our results have conservation ramifications as they imply that the evolutionary trajectories of populations characterised by shorter dispersal distances spreading in narrower landscapes are more variable and, therefore, less predictable.
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».