Predicting key ectotherm population mortality in response to dynamic marine heatwaves: A Bayesian‐enhanced thermal tolerance landscape approach
Notice bibliographique
Résumé
Abstract As climate change intensifies heatwaves, quantifying associated mortality within ectothermic populations is crucial for effective conservation. Thermal tolerance landscape (TTL) models are useful predictive tools that assume exponentially decreasing survival durations in individuals with increasing temperatures. This assumption has been validated through regression analyses on data from constant temperature experiments, primarily focusing on adult‐stage individuals. However, this approach does not allow for direct model validation with data from dynamic, real‐world heatwave events and overlooks early recruitment stage vulnerabilities. This study aimed to address these gaps using the blue mussel Mytilus , a foundation species forming extensive reefs along temperate coasts, as a model organism. We monitored survival rates of mussels (juveniles and adults) under constant heatwave (CHW) conditions in a laboratory experiment and under dynamic heatwave (DHW) scenarios simulated in an outdoor mesocosm experiment. Post‐heatwaves, we also assessed recruitment rates within the mesocosms. TTL models were parametrised by employing Approximate Bayesian Computation with Sequential Monte Carlo (ABC‐SMC) on each dataset separately. The parameter distributions were similar across both experiments, and the ABC‐SMC model predictions closely matched the observed survival declines, validating these models. In comparison, we found a lower predictive performance when using a Bayesian regression approach. Additionally, our best‐fit model predicted that warming across the non‐fatal DHW regimes would increase sublethal effects on mussels. The observed impact on the recruitment stage was more pronounced, with the recruitment rate following an exponential decay as sublethal effects increased. Our model projected minor (<4%) sublethal effects in adult mussels during the century's five warmest summer temperature regimes, corresponding to 0%–32% declines in recruitment rates. Our research extends the TTL model validation, demonstrates the resilience of subtidal Baltic Mytilus to future extreme heatwaves and offers an approach to predict heatwave‐induced population mortalities, applicable to other species and sensitive systems. Read the free Plain Language Summary for this article on the Journal blog.
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) | 0,003 | 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 ».