Eelgrass Meadow Edge Habitat Heterogeneity Enhances Fish Diversity on the Pacific Coast of Canada
Notice bibliographique
Résumé
Abstract Eelgrass ( Zostera marina ) meadows are important fish habitats in temperate coastal areas. Understanding the relationships between seascape patterns—the spatial and temporal variability of biological and physiochemical drivers—and fish diversity in eelgrass meadows is crucial to conserving and managing these important habitats. The main objective of this study was to determine the environmental variables that influence the diversity of fish in eelgrass meadows in British Columbia, and whether a rich mosaic of edge habitats is positively associated with species richness and diversity, owing to the increased niche dimensionality and foraging opportunities provided by heterogeneous adjacent habitats. Using a spatiotemporal multispecies model based on long-term eelgrass fish diversity monitoring program data (2004–2020), we found that seascape variables, particularly those derived from unmanned aerial vehicles (meadow area, edge habitat heterogeneity), explained the most variation in species occurrence and abundance. We also found a positive effect of edge habitat heterogeneity on species richness in small and medium-sized meadows, with higher species richness and diversity in small and medium-sized meadows with high edge habitat heterogeneity. The relationship between edge habitat heterogeneity and species richness and diversity in large meadows was less clear. We also found that species richness has declined through time while diversity has been variable through time, remaining relatively stable in one region and generally decreasing in the other region. This analysis provides key insights into how seascape variables influence the distribution of species and the diversity of fish assemblages in nearshore eelgrass habitats in British Columbia.
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 | 0,000 | 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) | 0,000 | 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 ».