From plant functional types to plant functional traits
Notice bibliographique
Résumé
Dynamic global vegetation models (DGVMs) typically track the material and energy cycles in ecosystems with finite plant functional types (PFTs). Increasingly, the community ecology and modelling studies recognize that current PFT scheme is not sufficient for simulating ecological processes. Recent advances in the study of plant functional traits (FTs) in community ecology provide a novel and feasible approach for the improvement of PFT-based DGVMs. This paper reviews the development of current DGVMs over recent decades. After characterizing the advantages and disadvantages of the PFT-based scheme, it summarizes trait-based theories and discusses the possibility of incorporating FTs into DGVMs. More importantly, this paper summarizes three strategies for constructing next-generation DGVMs with FTs. Finally, the method’s limitations, current challenges and future research directions for FT theory are discussed for FT theory. We strongly recommend the inclusion of several FTs, namely specific leaf area (SLA), leaf nitrogen content (LNC), carbon isotope composition of leaves (Leaf δ 13 C), the ratio between leaf-internal and ambient mole fractions of CO 2 (Leaf C i /C a ), seed mass and plant height. These are identified as the most important in constructing DGVMs based on FTs, which are also recognized as important ecological strategies for plants. The integration of FTs into dynamic vegetation models is a critical step towards improving the results of DGVM simulations; communication and cooperation among ecologists and modellers is equally important for the development of the next generation of DGVMs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».