BEF studies aim at understanding how ecosystems respond to a gradient of species diversity. Diversity-Interactions models are suitable for analysing the BEF relationship. These models relate an ecosystem function response of a community to the identity of the species in the community, their evenness (proportions) and interactions. The no. of species in the community (richness) is also implicitly modelled through this approach. It is common in BEF studies to model an ecosystem function as a function of richness; while this can uncover trends in the BEF relationship, by definition, species diversity is much broader than richness alone, and important patterns in the BEF relationship may remain hidden. We compare DI models to traditional modelling approaches to highlight the advantages of using a multi-dimensional definition of species diversity. DI models can capture variation due to species identities, species proportions and species interactions, in addition to richness effects. We also introduce the DImodels R package for implementing DI models. Through worked examples, we show that using DI models can lead to considerably improved model fit over other methods. Collapsing the multiple dimensions of species diversity to a single dimension (such as richness) can result in valuable ecological information being lost. Predicting from a DI model is not limited to the study design points, the model can extrapolate to predict for any species composition and proportions. Overall, DI models lead to enhanced inference compared to other approaches. Expressing the BEF relationship as a function of richness alone can be useful to capture overall trends, however, there are multiple ways to quantify the species diversity of a community. DI modelling provides a framework to test the multiple aspects of species diversity and facilitates uncovering a deeper ecological understanding of the BEF relationship.


翻译:BEF研究旨在了解生态系统如何应对物种多样性的梯度。多样性-互动模型适合于分析BEF关系。这些模型涉及社区对物种在社区中的身份、其均衡性(比例)和相互作用的生态系统功能反应。物种在社区中的无(丰富性)也是通过这种方法隐含的模型。在BEF研究中常见的是要将生态系统功能作为丰富性功能的函数来建模;这可以发现BEF关系中的趋势,从定义上看,物种多样性比丰富性要大得多,而BEF关系中的重要模式可能仍然隐蔽。我们将一个社区的生物多样性模式与传统的建模方法相比较,以突出使用物种多样性多维性定义(比例)的生态系统功能反应。除了丰富性效应外,DI模型中物种的物种差异(丰富性)也可以捕捉物种特性(R)的变异性。我们通过工作实例表明,使用DI模型可以大大改进模型比其他方法更合适。将物种多样性的多个层面与单一层面(例如丰富性)的关系进行对比。我们将多样性模型的多维度模型与多样性的多维度模型的方方面方法进行对比,在设计中可以得出宝贵的生态多样性结构结构结构结构结构结构结构结构结构结构上是有限的分析,但是,对生态多样性的扩展的推介面的推比比比更深的更深,从生态多样性的更深的推比更深,从生物级研究可以推比更深程度,从生态性研究,从生态多样性的模型,可以推至于一个更深层研究可以推至整个,从生态系,从生态系,从生态性研究,从生态性研究,从生态性研究,可以推至整个,从生物系,从生态系,可以推至更深层推至整个结构结构结构结构结构结构结构结构系,可以推至更深层推至整个的推至整个的推至整个的推至整个的模型,可以推至整个的推论,从生态系,可以推至整个的推至较深层系的推至整个的推至推至整个的推至整个的推至整个的推至整个的推至整个的推。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
Arxiv
11+阅读 · 2019年6月19日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员