Traits Explain Canopy Tree Occurrence Along Regional Environmental Gradients: A Subset Combine to Be Useful
Notice bibliographique
Résumé
ABSTRACT Trait‐Species Distribution Models (trait‐SDM) help to understand the importance of plant strategies to niches, assess their generality across species and provide a path to predicting species distributions from a shortlist of traits. Yet published trait‐environment associations show considerable inconsistency. Region‐scale models may leverage more species, traits, trait ranges and climatic gradients, than at local scales, while retaining biogeographic coherence, which is lost in global compilations. Here we fit trait‐SDMs with six traits using multilevel models for over 90 eucalypt tree taxa. We model presence‐absence in 1 km 2 grid cells which contain multiple survey plots, arrayed along environmental gradients which span 120,000 km 2 , 8°C mean temperature and 900 mm annual precipitation. We found stem sapwood density, bark thickness, seed mass and maximum height were the most influential predictors in a multi‐trait model of environmental responses to temperature, water deficit, soil depth and pH. Combined, they explained 9%–19% of variance between species in environmental responses. We found less support for specific leaf area and leaf size. Species occurred unimodally along environmental gradients. Trait‐environment terms indicated species with dense stems were more likely in drier climates, thicker bark in warmer climates and that both thinner bark and larger seeds increased occurrence in shallow soils. Taller species were more common and more likely to occur towards sites that were warmer and wetter than average along the gradient. Our work has wider implications: trait‐SDMs help to test trait‐based theory about realised niches. Single trait models reflect the maximum potential explanation of niche differentiation by a trait, while multi‐trait models represent integrated phenotypes responding to multidimensional niches. For planning and management, such trait‐SDMs can provide useful predictions of where certain kinds of species occur or could be restored. But they will leave much uncertainty, especially for identifying which particular species occur where.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».