Using Phylogenetic, Functional and Trait Diversity to Understand Patterns of Plant Community Productivity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Two decades of research showing that increasing plant diversity results in greater community productivity has been predicated on greater functional diversity allowing access to more of the total available resources. Thus, understanding phenotypic attributes that allow species to partition resources is fundamentally important to explaining diversity-productivity relationships. METHODOLOGY/PRINCIPAL FINDINGS: Here we use data from a long-term experiment (Cedar Creek, MN) and compare the extent to which productivity is explained by seven types of community metrics of functional variation: 1) species richness, 2) variation in 10 individual traits, 3) functional group richness, 4) a distance-based measure of functional diversity, 5) a hierarchical multivariate clustering method, 6) a nonmetric multidimensional scaling approach, and 7) a phylogenetic diversity measure, summing phylogenetic branch lengths connecting community members together and may be a surrogate for ecological differences. Although most of these diversity measures provided significant explanations of variation in productivity, the presence of a nitrogen fixer and phylogenetic diversity were the two best explanatory variables. Further, a statistical model that included the presence of a nitrogen fixer, seed weight and phylogenetic diversity was a better explanation of community productivity than other models. CONCLUSIONS: Evolutionary relationships among species appear to explain patterns of grassland productivity. Further, these results reveal that functional differences among species involve a complex suite of traits and that perhaps phylogenetic relationships provide a better measure of the diversity among species that contributes to productivity than individual or small groups of traits.
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.
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 découle