MARC

 008240306s2022        s  |          s        0000c|  eng  d
■001000016931245
■00520240214095946
■006m          o    d                
■007cr
■020    ▼a9798380620024
■035    ▼a(MiAaPQ)AAI30243131
■040    ▼aMiAaPQ▼cMiAaPQ
■08204▼a574.5
■090    ▼a전자도서(박사논문)
■1001  ▼aTerasaki  Hart,  Drew  Ellison.
■24510▼aLandscape  Genetics,  in  4D:  Exploring  the  Influence  of  Spatiotemporal  Phenomena  on  Microevolutionary  Dynamics▼h[electronic  resource]▼cDrew  Ellison  Terasaki  Hart
■260    ▼a[S.l.]▼bUniversity  of  California,  Berkeley.  ▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a1  online  resource(p.162  )
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  Wang,  Ian  J.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2022.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aA  major  goal  of  landscape  genomics  is  to  understand  how  spatiotemporal  variability  in  complex  environments  influences  evolutionary  dynamics,  and  consequently  geographic  patterns  of  genomic  diversity,  in  natural  populations.  Recent  computational  advances  enable  this  spatiotemporal  complexity  to  be  described  and  analyzed  in  unprecedented  detail.  One  such  advance  is  the  improvement  of  forward-time  landscape  genomic  simulation,  allowing  arbitrarily  complex  evolutionary  scenarios  that  mimic  real-world  systems  to  be  created  and  studied  in  silico.  In  chapter  1,  I  present  Geonomics,  a  new,  user-friendly  Python  package  for  performing  complex,  spatially  explicit,  landscape  genomic  simulations  on  changing  landscapes  and  with  full  spatial  pedigrees.  I  describe  the  structure  and  function  of  Geonomics  in  detail,  show  that  its  results  are  consistent  with  expectations  for  a  variety  of  validation  tests  based  on  classical  population  genetics,  then  demonstrate  its  utility  and  flexibility  with  example  scenarios  featuring  polygenic  selection,  selection  on  multiple  traits,  and  non-stationary  environmental  change  on  realistic  landscapes.  Taken  together,  these  tests  and  demonstrations  establish  Geonomics  as  a  robust  platform  for  population  genomic  simulations  that  incorporate  complex  spatiotemporal  dynamics.In  chapter  2,  I  apply  the  software  developed  in  chapter  1  to  one  of  the  major  areas  of  theoretical  and  applied  interest  in  landscape  genomics:  the  evolutionary  consequences  of  climate  change.  I  model  climate  change  realistically,  as  the  decoupling  of  historical  environmental  gradients  that  generates  novel  multivariate  selective  environments.  I  then  simulate  evolutionary  responses  to  that  climate  change  event  across  a  range  of  genomic  architectures,  defined  as  the  full  factorial  crossing  of  discretized  levels  of  three  key  architectural  components:  the  number  of  genes  per  trait  (polygenicity),  the  recombination  rate  between  neighboring  genes  (linkage),  and  the  number  of  distinct  genotypes  generating  identical  phenotypes  (genotypic  redundancy).  I  use  the  results  to  test  a  series  of  hypotheses  about  the  influence  of  polygenicity,  linkage,  and  redundancy  on  gene  flow,  maladaptation,  and  demographic  decline.  Results  show  that  a  commonly  assumed  mechanism  of  evolutionary  rescue,  adaptive  gene  flow  from  populations  whose  current  climates  approximate  future  projection,  can  be  less  effective  than  in  situ  adaptation  under  some  architectures,  likely  because  of  maladaptive  introgression  caused  by  the  decoupling  of  environmental  gradients.  I  also  find  that  high  polygenicity  aggravates  maladaptation  and  demographic  decline,  a  concerning  result  given  the  likely  polygenic  nature  of  many  climate-adapted  traits,  but  that  higher  genotypic  redundancy  increases  adaptive  capacity  across  all  scenarios,  adding  to  the  growing  recognition  of  its  importance.  Overall,  this  chapter  shows  that  genomic  architecture,  though  it  is  often  ignored,  can  exert  large  influence  over  the  effectiveness  and  relative  magnitudes  of  adaptive  gene  flow  and  in  situ  adaptation  in  a  spatially  distributed  population  subjected  to  climate  change.Another  major  computational  advance  facilitating  the  study  of  spatiotemporal  evolutionary  dynamics  is  the  advent  of  massive  and  distributed  geocomputation.  In  chapter  3,  I  use  this  tool  set  to  study,  in  unprecedented  detail,  global  geographic  variability  in  the  seasonality  of  terrestrial  plant  productivity  -  i.e.,  land  surface  phenology  (LSP).  Not  only  does  the  geography  of  LSP  convey  critical  information  about  environmental  controls  on  plant  function  and  carbon  cycling,  but  it  has  important  implications  for  evolutionary  biogeography:  spatial  asynchrony  in  LSP  can  indicate  the  potential  for  spatial  asynchrony  in  reproductive  phenology,  and  thus  for  increased  genetic  isolation  and  divergence  between  conspecific  populations.  Thus,  whereas  chapter  2  provides  an  example  of  the  spatial  nature  of  an  evolving  system  influencing  its  temporal  dynamics,  this  chapter  provides  an  example  of  the  less-appreciated  inverse  situation:  the  potential  for  a  system's  temporal  complexity  to  influence  its  evolutionary  dynamics.  Despite  its  importance,  LSP  research  lacks  mapping  methodologies  that  can  characterize  the  full  diversity  of  terrestrial  phenologies,  and  LSP  asynchrony  mapping  is  even  less  developed.  Here,  I  develop  a  multivariate,  generalized,  and  robustly-validated  LSP  mapping  methodology,  based  on  simple  harmonic  regression,  then  apply  it  to  a  10-year,  0.05°  dataset  of  MODIS  near-infrared  reflectance  of  vegetation  (NIRV,  a  proxy  of  plant  productivity).  This  produces  a  global  LSP  map  that  reveals  surprising  diversity,  including  both  regional  patterns  of  heterogeneity  that  are  corroborated  by  prior  research  and  intercontinental  patterns  of  convergence  that  recapitulate  major  bioclimatic  and  biogeographic  gradients.  Next,  I  calculate  and  present  a  global  map  of  LSP  asynchrony,  and  use  machine  learning  to  explore  regional  variability  in  its  potential  climatic  and  physiographic  drivers.  I  describe  LSP  asynchrony  hotspots  in  the  world's  five  Mediterranean  climate  regions,  where  asynchrony  appears  driven  by  precipitation  asynchrony  and  spatial  variability  in  vegetation  structure,  and  in  tropical  montane  regions,  where  minimum  temperature  asynchrony  and  precipitation  asynchrony  appear  to  be  interacting  drivers.  Lastly,  I  use  an  ensemble  of  regressions  within  global  high-asynchrony  regions  to  demonstrate  that  phenological  asynchrony  between  climatically  similar  sites  is  most  frequent  at  lower  latitudes,  supporting  the  notion  that  phenological  asynchrony  is  most  likely  to  cause  allochrony  and  consequent  evolutionary  divergence  in  the  tropics.
■590    ▼aSchool  code:  0028.
■650  4▼aEcology.
■650  4▼aGenetics.
■650  4▼aClimate  change.
■650  4▼aRemote  sensing.
■653    ▼aGenetic  architecture
■653    ▼aLandscape  genomics
■653    ▼aLocal  adaptation
■653    ▼aPhenology
■653    ▼aSimulation  modeling
■690    ▼a0329
■690    ▼a0369
■690    ▼a0404
■690    ▼a0799
■690    ▼a0474
■71020▼aUniversity  of  California,  Berkeley▼bEnvironmental  Science,  Policy,  &  Management.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931245▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서