Compositional variation in grassland plant communities
Notice bibliographique
Résumé
Abstract Human activities are altering ecological communities around the globe. Understanding the implications of these changes requires that we consider the composition of those communities. However, composition can be summarized by many metrics which in turn are influenced by different ecological processes. For example, incidence‐based metrics strongly reflect species gains or losses, while abundance‐based metrics are minimally affected by changes in the abundance of small or uncommon species. Furthermore, metrics might be correlated with different predictors. We used a globally distributed experiment to examine variation in species composition within 60 grasslands on six continents. Each site had an identical experimental and sampling design: 24 plots × 4 years. We expressed compositional variation within each site—not across sites—using abundance‐ and incidence‐based metrics of the magnitude of dissimilarity (Bray–Curtis and Sorensen, respectively), abundance‐ and incidence‐based measures of the relative importance of replacement (balanced variation and species turnover, respectively), and species richness at two scales (per plot‐year [alpha] and per site [gamma]). Average compositional variation among all plot‐years at a site was high and similar to spatial variation among plots in the pretreatment year, but lower among years in untreated plots. For both types of metrics, most variation was due to replacement rather than nestedness. Differences among sites in overall within‐site compositional variation were related to several predictors. Environmental heterogeneity (expressed as the CV of total aboveground plant biomass in unfertilized plots of the site) was an important predictor for most metrics. Biomass production was a predictor of species turnover and of alpha diversity but not of other metrics. Continentality (measured as annual temperature range) was a strong predictor of Sorensen dissimilarity. Metrics of compositional variation are moderately correlated: knowing the magnitude of dissimilarity at a site provides little insight into whether the variation is driven by replacement processes. Overall, our understanding of compositional variation at a site is enhanced by considering multiple metrics simultaneously. Monitoring programs that explicitly incorporate these implications, both when designing sampling strategies and analyzing data, will have a stronger ability to understand the compositional variation of systems and to quantify the impacts of human activities.
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) | 0,002 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».