Predicting invertebrate herbivory from plant traits: evidence from 51 grassland species in experimental monocultures
Notice bibliographique
Résumé
Invertebrate herbivores can impact plant performance and plant communities. Conversely, plants can affect the ability of herbivores to find, choose, and consume them through their functional traits. While single plant traits have been related to rates of herbivory, most often involving single herbivore-plant pairs, much less is known about which suite of plant traits is important for determining herbivory for a pool of plant species interacting with a natural herbivore community. In this study we measured aboveground herbivore damage on 51 herbaceous species growing in monocultures of a grassland biodiversity experiment and collected 42 different plant traits representing four trait groups: physiological, morphological, phenological, and herbivore related. Using the method of random forests and multiple regression, we identified seven traits that are important predictors of herbivore damage (leaf nitrogen and lignin concentration, number of coleopteran and hemipteran herbivores potentially feeding on the plants, leaf life span, stem growth form, and root architecture); leaf nitrogen and lignin concentration were the two most important predictors. The final model accounted for 63% of the variation in herbivore damage. Traits from all four trait groups were selected, showing that a variety of plant characteristics can be statistically important when assessing folivory, including root traits. Our results emphasize that it is necessary to use a multivariate approach for identifying traits affecting complex ecological processes such as herbivory.
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) | 0,003 | 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 ».