Combining Environmental Factors and Species Co-occurrence Patterns to Predict Species Abundance and Community Biomass: Method Development and Validation in Ontario Lakes

Predicting species abundance and community biomass is vital for ecosystem management, particularly in freshwater lakes, where this information guides conservation efforts, resource management, and biodiversity assessments. These metrics provide crucial insights into population dynamics, ecosystem productivity, and ecological balance. However, traditional models often rely on abiotic factors or limited species presence-absence data, missing the complex interspecies relationships that shape community structure and ecosystem function. This thesis aims to enhance predictive models of species abundance and biomass by incorporating community-level data, using latent variables derived from species co-occurrence and environmental variables. Latent variables are unobserved or hidden variables that are inferred from observed data. By integrating both biotic and abiotic factors, this approach enhances the accuracy of ecological predictions, offering more reliable tools for ecosystem management and conservation efforts. The three chapters build upon one another, progressively expanding the scope of the models and their applications. Chapter 2 lays the groundwork using simulated data to refine single-species abundance models, exploring how different levels of information (true environmental drivers versus latent variables based on species co-occurrence) affect model accuracy. This simulation framework is essential for understanding the robustness of the models before their application to real-world data. Chapter 3 extends this work by applying the developed framework to empirical data from lakes, focusing on sport fish species. It examines the role of latent variables and various fish assemblages in improving abundance predictions and explores how lake-specific characteristics influence model performance. This real-world application allows for a deeper understanding of how the framework operates under natural conditions, particularly in aquatic ecosystems. Finally, Chapter 4 uses the abundance predictions from Chapter 3 to develop a stacked model for predicting community biomass. It compares the stacked model’s effectiveness to a community model across varying spatial scales and species richness levels. By transitioning from single-species models to multi-species and ultimately biomass prediction, the chapters are sequentially linked, each addressing a broader ecological question while refining and testing the models at different levels of complexity. This cohesive approach enhances both the predictive accuracy of species abundance and the practical applications of these models for ecosystem management. Prédire l’abondance des espèces et la biomasse des communautés est essentiel à la gestion des écosystèmes, particulièrement dans les lacs d’eau douce, où ces informations guident les efforts de conservation, la gestion des ressources, et les évaluations de la biodiversité. Ces métriques fournissent des connaissances cruciales sur la dynamique des populations, la productivité des écosystèmes et l’équilibre écologique. Cependant, les modèles traditionnels s’appuient souvent sur des facteurs abiotiques ou sur des données limitées sur présence-absence d’espèces, omettant les relations interspécifiques complexes qui façonnent la structure de la communauté et le fonctionnement de l’écosystème. Cette thèse vise à améliorer les modèles prédictifs d'abondance des espèces et de biomasse en incorporant des données à l'échelle de la communauté, et en utilisant des variables latentes dérivées de la cooccurrence des espèces et des variables environnementales. Les variables latentes sont des variables non observées ou cachées qui sont déduites à partir de données observées. En intégrant à la fois les facteurs biotiques et abiotiques, cette approche améliore la précision des prévisions écologiques, offrant des outils plus fiables pour la gestion des écosystèmes et les efforts de conservation. Les trois chapitres sont construits de manière séquentielle, élargissant progressivement la portée des modèles et leurs applications. Le Chapitre 2 pose les bases en utilisant des données simulées pour affiner les modèles d’abondance mono-espèce, en explorant comment différents niveaux d’information (véritables moteurs environnementaux par rapport aux variables latentes basées sur la cooccurrence des espèces) affectent la précision du modèle. Ce cadre de simulation est essentiel pour comprendre la robustesse des modèles avant leur application à des données réelles. Le Chapitre 3 étend ce travail en appliquant le cadre développé à des données empiriques de lacs, en se concentrant sur les espèces de poissons de sport. Il examine le rôle des variables latentes et de divers assemblages de poissons dans l’amélioration des prévisions d’abondance et explore comment les caractéristiques spécifiques des lacs influencent les performances du modèle. Cette application concrète permet de mieux comprendre le fonctionnement du cadre de modélisation dans des conditions naturelles, notamment dans les écosystèmes aquatiques. Enfin, le Chapitre 4 utilise les prévisions d’abondance du chapitre 3 pour développer un modèle empilé permettant de prédire la biomasse de la communauté. Il compare l’efficacité du modèle empilé à un modèle communautaire à travers différentes échelles spatiales et niveaux de richesse en espèces. En passant des modèles mono-espèces aux modèles multi-espèces et finalement à la prédiction de la biomasse, les chapitres sont liés séquentiellement, chacun abordant une question écologique plus large tout en affinant et en testant les modèles à différents niveaux de complexité. Cette approche cohésive améliore à la fois la précision prédictive de l’abondance des espèces et les applications pratiques de ces modèles pour la gestion des écosystèmes.

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.