Prédiction des taux de décomposition des litières végétales par les traits fonctionnels agrégés
Bibliographic record
Abstract
Comprendre le fonctionnement des écosystèmes est un enjeu crucial, en particulier dans un contexte de changements globaux. Afin de mieux prédire les processus écosystémiques, j’ai testé la précision et les limites des hypothèses du biomass-ratio de Grime (HBMR) et de l’annulation idiosyncratique (HAI), cette dernière étant une hypothèse originale de cette thèse. Pour cela, j’ai appliqué le principe du biomass- ratio aux traits fonctionnels, en employant la méthode des traits agrégés en communauté, pour estimer la réponse globale des espèces en mélange. La décomposition des litières plurispécifiques constitue un bon modèle biologique, pour lequel je me suis posé les questions suivantes: (1) est-ce que l’HBMR prédit bien les taux de décomposition en mélanges plurispécifiques ? ; (2) est-ce que le degré de variabilité de ces taux diminue pour des raisons biologiques avec l’augmentation de la richesse spécifique (RS) des mélanges (HAI) ? ; (3) est-ce que la variabilité des taux entre mélanges diminue quand les conditions abiotiques du site deviennent plus limitantes ? ; (4) considérant que les mélanges plus contrastés fonctionnellement sont susceptibles de développer plus d’interactions, est-ce que la déviation à la prédiction augmente avec la dispersion fonctionnelle des mélanges («FDis», Laliberté & Legendre 2010) ? Cette thèse inclut deux expériences de décompositionen sachets à litières : (1) à Sherbrooke (QC, Canada) avec des microcosmes, impliquant des litières de six espèces d’arbres, décomposant seules et en mélanges et (2) sur trois sites au climat contrasté dans la région de Clermont-Ferrand (France) avec des litières de quatre espèces d’herbacées, décomposant seules et en mélanges. Les résultats montrent des déviations positives et négatives par rapport aux taux prédits, mais l’HBMR décrit bien la réponse moyenne des litières plurispécifiques. Bien que l’HAI ait été rejetée, les résultats montrent une convergence des taux observés vers les taux prédits quand (1) la RS des mélanges augmente, (2) l’échelle spatiale augmente et (3) le climat est plus limitant pour la décomposition. Enfin, malgré des corrélations entre FDis et interactions entre espèces dans les litières, cette relation n’est pas généralisable et l’hypothèse de corrélation positive entre FDis et déviation à l’HBMR a été rejetée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".