Identifying potential provenances for climate-change adaptation using spatially variable coefficient models
Notice bibliographique
Résumé
BACKGROUND: Selection of climate-change adapted ecotypes of commercially valuable species to date relies on DNA-assisted screening followed by growth trials. For trees, such trials can take decades, hence any approach that supports focussing on a likely set of candidates may save time and money. We use a non-stationary statistical analysis with spatially varying coefficients to identify ecotypes that indicate first regions of similarly adapted varieties of Douglas-fir (Pseudotsuga menziesii (Mirbel) Franco) in North America. For over 70,000 plot-level presence-absences, spatial differences in the survival response to climatic conditions are identified. RESULTS: The spatially-variable coefficient model fits the data substantially better than a stationary, i.e. constant-effect analysis (as measured by AIC to account for differences in model complexity). Also, clustering the model terms identifies several potential ecotypes that could not be derived from clustering climatic conditions itself. Comparing these six identified ecotypes to known genetically diverging regions shows some congruence, as well as some mismatches. However, comparing ecotypes among each other, we find clear differences in their climate niches. CONCLUSION: While our approach is data-demanding and computationally expensive, with the increasing availability of data on species distributions this may be a useful first screening step during the search for climate-change adapted varieties. With our unsupervised learning approach being explorative, finely resolved genotypic data would be helpful to improve its quantitative validation.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 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 ».