Evolutionary dynamics of dispersal and local adaptation in multi-resource landscapes
Notice bibliographique
Résumé
Dispersal can enable access to resources in new locations. Consequently, traits that govern dispersal probability and dispersal distance may impact an individual's ability to acquire resources. However, spatial variation in the quality or quantity of resources may mediate potential adaptive benefits of novel dispersal traits. Ecological traits (i.e., those that determine how an individual processes resources) will also, by definition, affect how an individual interacts with the resource landscape. In a spatially heterogeneous environment, this creates potential for evolutionary feedbacks between dispersal-related traits and ecological traits. For example, dispersal may introduce individuals to novel resources, at which point there may be selection for local adaptation of ecological traits. Conversely, an individual's ability to utilize different resource types may determine how dispersal impacts fitness. Here, we develop an individual-based model to investigate co-evolution of dispersal and ecological traits in a landscape where multiple resources vary independently across space. We find that: 1) resource specialists can emerge and tend to evolve dispersal strategies suited to the structure of their preferred resource type and 2) generalists, when they emerge, tend to possess intermediate dispersal strategies. Lastly, we note that the effect of dispersal on the evolution of the ecological trait is weaker than vice versa and, as a result, appreciable heterogeneity in the abundance of resources across a landscape will likely obscure a signal of co-evolution.
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) | 0,002 | 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 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 ».