Vive la difference: why, how, and what trait combinations improve functional community ecology
Notice bibliographique
Résumé
ABSTRACT Analyses of functional trait variation across ecological communities offer valuable insights into the factors that influence and predict trait composition, deepening our understanding of community structure. These analyses also shed light on patterns of trait dispersion, including underdispersion and overdispersion, which are often linked to the mechanisms underlying community assembly. However, striking a balance between characterizing complex phenotypes through the integration of comprehensive set of traits while ensuring the preservation of the distinct signals of overdispersion and underdispersion can pose significant challenges. This is because some trait combinations can result in high functional dispersion or overdispersion, while others may lead to underdispersion within the same community. In this study, we provide a rationale for the importance of trait selection in community ecology and develop a framework that optimizes patterns of functional trait variation among communities. We explored the responses of six trait sets along large-scale environmental gradients, using ∼700 lake-fish communities in Ontario (Canada). We started by adopting the conventional approaches of combining all traits as well as leveraging prior knowledge in fish biology to group traits that are functionally related (Diet, Morphology, Temperature Preference). We contrasted these approaches with a novel computational method to select combinations of traits that maximise overdispersion and minimise underdispersion. We found that separating traits according to their functions or by their patterns revealed signals in communities that appeared random when all the traits were pooled together. Combining our computational approach with environmental models revealed that functional patterns could be very well explained by multiple environmental predictors (model R2 up to 0.7). Our study also outlines future selection procedures to further uncover more complex patterns of species associations based on their traits.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».