Abstract The ecological sciences have joined the big data revolution. However, despite exponential growth in data availability, broader interoperability amongst datasets is still needed to unlock the potential of open access. The interface of demography and functional traits is well-positioned to benefit from said interoperability. Trait-based ecological approaches have been criticised because of their inability to predict fitness components, the core of demography; likewise, demographic approaches are data-hungry, and so using traits as ecological shortcuts to understanding and forecasting population viability could offer great value. Here, we introduce MOSAIC, an open-access trait database that unlocks the demographic potential stored in the COMADRE, COMPADRE, and PADRINO open-access databases. MOSAIC data have been digitised and curated through a combination of existing datasets and additional taxonomic and/or trait records sourced from primary literature. In its first release, MOSAIC (v. 1.0.0) includes 14 trait fields for 300 animal and plant species: biomass, height, growth determination, regeneration, sexual dimorphism, mating system, hermaphrodism, sequential hermaphrodism, dispersal capacity, type of dispersal, mode of dispersal, dispersal classes, volancy, and aquatic habitat dependency. MOSAIC also includes species-level phylogenies for 1,359 species and population-specific climate data where locations are recorded. Using MOSAIC, we highlight a taxonomic mismatch of widely used trait databases with existing structured population models. Despite millions of trait records available in open-access databases, taxonomic overlap between open-access demographic and trait databases is <5%. We identify where traits of interest to ecologists can benefit from database integration and start to quantify traits that are poorly quantified ( e.g., growth determination, modularity). The MOSAIC database evidences the importance of improving interoperability in open-access efforts in ecology as well as the need for complementary digitisation to fill targeted taxonomic gaps. In addition, MOSAIC highlights emerging challenges associated with the disparity between locations where different trait records are sourced.

A bstract Vegetation memory describes the effect of antecedent environmental and ecological conditions on the present ecosystem state and has been proposed as an important proxy for vegetation resilience. In particular, strong vegetation-memory effects have been identified in dryland regions, but the factors underlying the spatial patterns of vegetation memory remain unknown. We aim to map the components and drivers of vegetation memory in dryland regions using state-of-the-art climate reanalysis data and refined approaches to identify vegetation-memory characteristics across dryland regions worldwide. Using a framework which distinguishes between intrinsic and extrinsic ecological memory, we show that: (i) intrinsic memory is a much stronger component than extrinsic memory in the majority of dryland regions; and (ii) climate reanalysis data sets change the detection of extrinsic vegetation memory effects in some global dryland regions. Synthesis . Our study offers a global picture of the vegetation response to two climate forcing variables using satellite data, information which is potentially relevant for mapping components and properties of vegetation responses worldwide. However, the large differences in the spatial patterns in intrinsic vegetation memory in our study compared to previous analyses show the overall sensitivity of this component in particular to the initial choice of extrinsic forcing variables. As a result, we caution against using the oversimplified link between intrinsic vegetation-memory and vegetation recovery rates at large spatial scales.

Amidst population growth and climate-driven crop stresses such as drought, extreme weather, fungal and insect pests, as well as various crop diseases, ensuring food security demands innovative strategies. Crop wild relatives (CWR), wild plants in the same genus as the crop as well as wild populations belonging to the same species as the crop, offer novel genetic resources crucial for enhancing crop resilience against these stress factors. Here, we introduce a prototype digital twin (pDT) to aid in searching and utilising CWR genetic resources. Using the MoDGP (Modelling the Germplasm of Interest) tool, the pDT enables mapping geographic areas where stress-tolerant CWR populations can be found. With its graphical user interface, it offers flexibility in selecting genetic resources from CWR tailored to enhance resilience of various crops against diverse stress factors.

A bstract Several methods of ecological network inference have been proposed, but their consistency and applicability for use across ecologically relevant scales require further investigation. Here, we infer ecological networks using two data sets (YFDP, FIA) describing distributional and attribute information at local, regional, and continental scales for woody species across North America. We accomplish this inference using four different methodologies (COOCCUR, NETASSOC, HMSC, NDD-RIM), incorporating biological data along an occurrence-performance spectrum while accounting (or not) for various confounding parameters. We contrast 1-1 associations at each evaluated scale to quantify consistency amongst inference approaches. We also assess consistency across scales within each inference approach. Ultimately, we find that inferred networks are inconsistent across scales and methodologies, particularly at continental scales. We highlight how such inconsistencies between network inference methods may be linked to using occurrence or performance information and incorporating or not confounding factors. Finally, we argue that identifying the “best” inference method is non-trivial. Thus, to facilitate the choice of inference methods for a given purpose, we suggest aligning specific research questions and the scale applicability of the method when interpreting the inferred links, network topology, and ecological processes governing network assembly.

Abstract Forecasting biodiversity and functioning changes to ecosystem composition and functioning under climate change requires using multi-species approaches that explicitly consider ecological interactions. Here, we propose a framework with which to incorporate considerations of (1) localised extinction risk proxies, (2) resilience mechanisms of ecological networks, and (3) extinction cascade directionality as a driving force of ecological change. These three aspects are seldomly considered when establishing ecosystems responses to climate change and biodiversity loss. Using this framework, we demonstrate that current practices may severely underpredict ecological change measured as loss of biodiversity and change in connectedness. Our novel framework which explicitly explores two-dimensional resilience landscapes defined by network resilience mechanisms (i.e., link loss sensitivity and realisation of rewiring potential) represents the most complete toolbox for assessment of vulnerability of ecological networks to extinction cascades. Ultimately, we propose that using localised extinction proxies, explicitly quantifying ecological network resilience through link-loss sensitivity and realisation of rewiring potential, as well as simulation of bidirectional extinction cascades will lead to improved capabilities of estimating ecosystem trajectories throughout the Anthropocene.

Abstract The burgeoning interest in digital twin (DT) technology presents a transformative potential for ecological modelling, offering new ways to model the complex dynamics of ecosystems. This paper introduces the TwinEco framework, designed to mitigate fragmentation in the development and deployment of DT applications in ecology. Compared to traditional modelling frameworks, TwinEco emphasises modularity and flexibility by introducing “layers” and “components” for DTs, accommodating diverse ecological applications without necessitating the deployment of all components. This modular approach ensures adaptability and scalability, promoting interoperability and integration with broader initiatives like Destination Earth. Digital twins in ecology offer significant advancements over traditional approaches by explicitly modelling changing processes and states over time, integrating extensive data, and enabling real-time feedback loops by actuating events or policies in the “real-world”. The framework’s capacity to adjust to changing environmental conditions enhances its predictive accuracy and responsiveness. This paper highlights the necessity for a unified framework to prevent divergent interpretations and ensure the interoperability of DT applications across ecological domains. Future recommendations include expanding case studies to demonstrate the framework’s applicability, assessing the potential of Dynamic Data-Driven Application Systems (DDDAS) paradigm within ecological DTs, and exploring interactions between components to optimise performance. Emphasising model-data fusion and fostering a shared terminology within the ecological community are crucial for the framework’s success. TwinEco aims to provide a robust foundation for ecological digital twins, enabling timely, data-driven decision-making to address global environmental challenges.

ABSTRACT Understanding how the differential magnitude and sign of ecological interactions vary across space is vital to assessing ecosystem resilience to biodiversity loss and predict community assemblies. This necessity for ecological network knowledge and their labour-intensive sampling requirements has spurred the creation of ecological network inference methodology. Recent research has identified inconsistencies in networks inferred using different approaches thus necessitating quantification of inference performance to facilitate choice of network inference approach. Here we develop a data simulation method to generate data products fit for network inference and subsequently quantify the validity of two well-established ecological interaction network inference methods – HMSC and COOCCUR. The simulation framework we present here can be parameterised using real-world information (e.g., biological interactions observed in-situ and bioclimatic niche preferences) thus representing network inference capabilities in real-world applications. Using this framework, it is thus possible to evaluate the performance of any ecological network inference approach. We identify a concerningly large range in accuracy of inferred networks as compared to true, realisable association networks. These differences in inference accuracy are governed by a paradigm of input data types and environmental parameter estimation as previously suggested. To establish a workflow for quantification of network inference reliability, we suggest analysis procedures with which to explore inference and detection probabilities of association types of different identity and sign with respect to bioclimatic niche preferences and association strength of association partner-species. With this study, we provide the groundwork with which to validate and compare ecological network inference methods, and ultimately vastly increase our ability to understand and predict species biodiversity across space and time.

Abstract Earth’s biosphere is currently undergoing drastic reorganisation as a consequence of the sixth mass extinction brought on by the Anthropocene. Impacts of local and regional extirpation of species have been demonstrated to propagate through the complex interaction networks they are part of, subsequently leading to secondary extinctions, exacerbating biodiversity loss. Contemporary ecological theory has developed several measures to analyse the structure and robustness of ecological networks under biodiversity loss. However, a toolbox for direct simulation and quantification of extinction cascades and the creation of novel interactions (i.e. rewiring) remains absent. Here, we present NetworkExtinction - a novel R package which we have developed to explore the propagation of species extinctions sequences through ecological networks as well as quantify the effects of rewiring potential in response to primary species extinctions. With NetworkExtinction we have integrated ecological theory and computational simulations to develop functionality with which users may analyze and visualize the structure and robustness of ecological networks. The core functions introduced with NetworkExtinction focus on simulations of sequential primary extinctions and associated secondary extinctions while allowing for user-specified secondary extinction thresholds and realisation of rewiring potential. With the package NetworkExtinction, users can estimate the robustness of ecological networks after performing species extinction routines based on several algorithms. Moreover, users can compare the number of simulated secondary extinctions against a null model of random extinctions. In-built visualizations enable graphing topological indices calculated by the deletion sequence functions after each simulation step. Finally, the user can define the degree distribution of the network by fitting different common distributions. Here, we illustrate the use of the package and its outputs by analyzing a Chilean coastal marine food web. NetworkExtinction is a compact and easy-to-use R package with which users can quantify changes in ecological network structure in response to different patterns of species loss, thresholds, and rewiring potential. Therefore, this package is particularly useful to evaluate ecosystem responses to anthropogenic and environmental perturbations that produce non-random species extinctions.