A causal inference framework for climate change attribution in ecology
Notice bibliographique
Résumé
As climate change increasingly affects biodiversity and ecosystem services, a key challenge in ecology is accurate attribution of these impacts. Though experimental studies have greatly advanced our understanding of climate change impacts on ecological systems, experimental results are difficult to generalize to real-world scenarios. To better capture realized impacts, ecologists can use observational data. Disentangling cause and effect using observational data, however, requires careful research design. Here we describe advances in causal inference that can improve climate change attribution in observational settings. Our framework includes five steps: 1) describe the theoretical foundation, 2) choose appropriate observational data sets, 3) design a causal inference analysis, 4) estimate a counterfactual scenario, and 5) evaluate assumptions and results using robustness checks. We then demonstrate this framework using a case study focused on detecting climate change impacts on whitebark pine growth in California’s Sierra Nevada. We conclude with a discussion of challenges and frontiers in ecological climate change attribution. Our aim is to provide an accessible foundation for applying observational causal inference to climate change attribution in ecology.
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 | 0,087 | 0,180 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».