Blonder BW et al. (2024). Predicting and Prioritising Community Assembly: Learning Outcomes via Experiments. Ecology Letters, doi: 10.1111/ele.14535.
（2024年10月12日发表）
摘要参考翻译：群落组装为生物多样性保护、气候变化、入侵、恢复和合成生态学方面的应用奠定了基础。然而，预测和优先排序/选择（prioritising）组装结果仍然很困难。我们通过一种无机制（mechanism-free）方法——LOVE（通过实验学习结果）——来应对这一挑战，这种方法在数据或知识匮乏的情况下非常有用。我们可能在多种环境中进行组装实验（"actions"，这里指物种添加的随机组合），等待并测量丰度（abundance）结果。然后，我们训练一个模型来预测新actions的结果，或优先排序能产生最理想结果的actions。在10个单一环境和多环境数据集上，当对89个随机选择的行动进行训练时，LOVE预测结果的平均误差为0.5%-3.4%，并优先排序最大化丰富度、最大化丰度或移除不需要的物种的actions，在所有任务中的平均真实阳性率为94%-99%，平均真实阴性率为10%-84%。LOVE是对现有群落生态学机制优先方法的补充，可能有助于解决众多应用难题。
点击下方“阅读原文”可查看英文全文。
声明：本内容未向其他微信公众号投稿。
