Robustness and limitations of maximum entropy in plant community assembly
Notice bibliographique
Résumé
An in-depth understanding of local plant community assembly is critical to direct conservation efforts to promising areas and increase the efficiency of management strategies. This, however, remains elusive due to the sheer complexity of ecological processes. The maximum entropy-based Community Assembly via Trait Selection (CATS) model was designed to quantify the relative contributions of trait-based filtering, dispersal mass effects, and stochastic processes on community assembly. As a maximum entropy model, it does so without introducing additional bias or assumptions. Despite its increasing use, questions regarding its robustness and potential limitations remain. Here, we compared model predictions using either local or database-derived trait values, across different levels of species richness and between different taxonomic levels. A total of 19 datasets and 790 plots were analysed, spanning multiple habitat types (n = 18) and biomes (n = 7). Results indicate trait value origin does indeed influence model outcomes, warranting caution in selecting the method for obtaining trait data. We hypothesise that, for example, intraspecific trait variation combined with trait-based filtering or stochastic processes causes local and database trait values to deviate, potentially even further exacerbated by imputing missing trait data. Furthermore, trait-related information obtained from the model decreased with increasing species richness. We further hypothesise this could signal that stochastic processes are more dominant within species-rich systems, for example, due to functional redundancy or the existence of multiple fitness strategies. This general pattern was conserved across biomes, although with varying strength, showing CATS’ robustness despite these challenges. • We analysed data from 19 open-access studies with the maximum entropy model CATS. • Trait value origin (local or from the TRY database) impacted CATS’ predictions. • CATS’ decomposition functions and significance test exacerbated these differences. • The importance of trait-based filtering declined with increasing species richness. • Information content obtained from the model declined with increasing species richness.
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 | 0,023 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».