Adapting the concept of functionally dominant species for observational data
Notice bibliographique
Résumé
• A modified version of the keystone approach is proposed for observational data. • Bootstrapping method is used to identify functionally dominant species (FDS). • It can identify FDS with positive or negative contributions to ecosystem functions. • Confidence intervals can be adjusted to change the detection threshold of FDS. • Testing this procedure on wetland communities revealed its benefits for conservation ecology. Conservation ecologists often rely on surrogate species to identify biodiversity hotspots due to the high cost of monitoring programs. While the keystone species approach is an appealing framework for that purpose, it has been criticized for its lack of a clear threshold to identify functionally important species and for its limited ability to handle observational data variability. Here, we propose a modified version of the functionally dominant species (FDS) framework using a bootstrapping random sampling method implemented with either strict or flexible parameters to identify species that disproportionately contribute to the increase or the decrease of biodiversity. We tested our approach on plant, bird, and fish communities of 37 lake-edge wetlands. We identified eight FDS using a 95% confidence interval, of which two displayed a positive contribution to diversity while six had a negative contribution. Using a 99% confidence interval, we found four FDS, all displaying a negative contribution to biodiversity. Most of the identified FDS had ecological or biological traits that support their disproportionate impact on biodiversity. By addressing the limitations of the keystone species framework and providing a statistical framework for analyzing observational data, our method represents a promising tool for conservation 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 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 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 ».