Des traits des espèces à la structure des communautés végétales vers une approche fonctionnelle et prédictive de l'écologie des communautés
Bibliographic record
Abstract
Les traits des plantes qui sont à la base de l'écologie comparée sont maintenant utilisés pour comprendre les processus sous-jacents à l'assemblage des communautés. Une vision largement acceptée est que, durant l'assemblage de communautés, différents filtres, abiotiques et biotiques, agissent en sélectionnant de façon différentielle les espèces sur la base de leurs traits. Selon cette vision, les traits des espèces déterminent leurs probabilités à passer à travers ces différents filtres. Par conséquent, il est logiquement possible de prédire l'abondance des espèces à partir de leurs traits et donc de prédire les changements de composition floristique résultant de changements dans l'environnement. Au cours de ce doctorat, j'ai adressé trois objectifs distincts en relation avec cette approche fonctionnelle de l'écologie des communautés. Dans un premier temps, j'ai cherché à décrire et quantifier les relations entre deux gradients environnementaux majeurs, le stress et les perturbations, et la composition en traits de communautés végétales herbacées de début de succession dans le sud du Québec. De façon surprenante, les relations entre les traits mesurés et ces deux gradients se sont avérées faibles, suggérant que pour ces communautés les facteurs stochastiques liés à l'historique d'arrivée des espèces sur les sites étaient encore prépondérants. Dans un deuxième temps, j'ai déterminé s'il était possible de prédire l'abondance relative des espèces dans une communauté végétale à partir de leurs traits. Pour cela, nous avons testé, à l'aide d'un grand nombre de données empiriques provenant d'Angleterre, un modèle de prédiction récemment proposé.Les résultats obtenus montrent qu'il est possible de prédire de façon précise les abondances des espèces dans différents types d'habitats, mais que la précision de ces prédictions est influencée par la structure de la communauté investiguée et par la taille du pool d'espèces considérée. Finalement, j'ai proposé une méthode permettant de quantifier l'importance relative de différents traits lors de l'assemblage des communautés. J'ai ensuite utilisé ces informations pour identifier dans différents types de communautés une liste de trait optimale permettant d'obtenir des prédictions précises de l'abondance des espèces. J'ai appliqué cette méthode sur des communautés végétales herbacées du sud de la France, soumises à différentes pressions de pâturage et différents niveaux de fertilité. Relativement peu de traits ont été nécessaires pour obtenir des prédictions précises de l'abondance des espèces, suggérant que l'assemblage dans ces communautés est gouverné par un faible nombre de traits clés.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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".