Leaf and Life History Traits Predict Plant Growth in a Green Roof Ecosystem
Notice bibliographique
Résumé
Green roof ecosystems are constructed to provide services such as stormwater retention and urban temperature reductions. Green roofs with shallow growing media represent stressful conditions for plant survival, thus plants that survive and grow are important for maximizing economic and ecological benefits. While field trials are essential for selecting appropriate green roof plants, we wanted to determine whether plant leaf traits could predict changes in abundance (growth) to provide a more general framework for plant selection. We quantified leaf traits and derived life-history traits (Grime's C-S-R strategies) for 13 species used in a four-year green roof experiment involving five plant life forms. Changes in canopy density in monocultures and mixtures containing one to five life forms were determined and related to plant traits using multiple regression. We expected traits related to stress-tolerance would characterize the species that best grew in this relatively harsh setting. While all species survived to the end of the experiment, canopy species diversity in mixture treatments was usually much lower than originally planted. Most species grew slower in mixture compared to monoculture, suggesting that interspecific competition reduced canopy diversity. Species dominant in mixture treatments tended to be fast-growing ruderals and included both native and non-native species. Specific leaf area was a consistently strong predictor of final biomass and the change in abundance in both monoculture and mixture treatments. Some species in contrasting life-form groups showed compensatory dynamics, suggesting that life-form mixtures can maximize resilience of cover and biomass in the face of environmental fluctuations. This study confirms that plant traits can be used to predict growth performance in green roof ecosystems. While rapid canopy growth is desirable for green roofs, maintenance of species diversity may require engineering of conditions that favor less aggressive species.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».