Experimental manipulation of seed shadows of an Afrotropical tree determines drivers of recruitment
Notice bibliographique
Résumé
The loss of animals in tropical forests may alter seed dispersal patterns and reduce seedling recruitment of tree species, but direct experimental evidence is scarce. We manipulated dispersal patterns of Manilkara mabokeensis, a monkey-dispersed tree, to assess the extent to which spatial distributions of seeds drive seedling recruitment. Based on the natural seed shadow, we created seed distributions with seeds deposited under the canopy ("no dispersal"), with declining density from the tree ("natural dispersal"), and at uniform densities ("good dispersal"). These distributions mimicked dispersal patterns that could occur with the extirpation of monkeys, low levels of hunting, and high rates of seed dispersal. We monitored seedling emergence and survival for 18 months and recorded the number of leaves and damage to leaves. "Good dispersal" increased seedling survival by 26%, and "no dispersal" decreased survival by 78%, relative to "natural dispersal." Using a mixed-effects survival model, we decoupled the distance and density components of the seed shadow: seedling survival depended on the seed density, but not on the distance from the tree. Although community seedling diversity tended to decrease with longer dispersal distances, we found no conclusive evidence that patterns of seed dispersal influence the diversity of the seedling community. Local seed dispersal does affect seedling recruitment and survival, with better dispersal resulting in higher seedling recruitment; hence the loss of dispersal services that comes with the reduction or extirpation of seed dispersers will decrease regeneration of some tree 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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».