Quantifying interspecific and intraspecific diversity effects on ecosystem functioning
Notice bibliographique
Résumé
Rapid environmental changes result in massive biodiversity loss, with detrimental consequences for the functioning of ecosystems. Recent studies suggest that intraspecific diversity can contribute to ecosystem functioning to an extent comparable to contributions of interspecific diversity. Knowledge on the relative importance of these two sources of biodiversity is essential for predicting ecosystem consequences of biodiversity loss and will aid in the prioritization of conservation targets and implementation of management measures. However, our quantitative insights into how interspecific and intraspecific biodiversity loss affects ecosystem functioning and how the effects of these two sources of biodiversity loss on ecosystem functioning can be compared are still very limited. To facilitate such quantitative insights, we extend the interspecific Price partitioning method originally introduced by J. Fox in 2006, previously used to quantify species loss and gain effects on ecosystem functioning, to also account for the effects of intraspecific diversity loss and gain on ecosystem function. Using this extended version can yield the quantitative information required for answering research questions addressing correlations between interspecific and intraspecific diversity effects on ecosystem functioning, identifying interspecific and intraspecific groups with large effects, and assessing whether intraspecific diversity can compensate for losses in interspecific diversity. Applying this method to carefully designed experiments will provide additional insights into how biodiversity loss at different ecological levels contributes to and changes ecosystem functioning.
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 | 0,006 |
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 ».