Assembling productive communities of native grass and legume species: finding the right mix
Notice bibliographique
Résumé
Abstract Question Native species have the potential to provide productive, drought‐resistant communities for seeded rangelands and ecological restoration. Little is known, however, about how to identify multispecies mixtures with optimal levels of productivity and stress resistance from the thousands of possible community configurations. Here we examine if empirical models can be used to predict highly productive community configurations of seven native grasses and legumes in controlled conditions from the very large pool of possible communities, and which basic measure of community structure best predicts function. Location Greenhouses in Saskatchewan, Canada. Methods We used a greenhouse experiment, where established communities varied in species and functional group richness, evenness, species and functional group identity, following a response surface design. We measured community productivity and evaluated the predictive power of a range of empirical models linking diversity and productivity. Results Productivity increased with increased functional dispersion, relative growth rate and decreased competitive effect. Selection effects were evident, with the abundance and occurrence of particular species or functional groups and plant traits also linked to increased productivity. Among the strongest predictors of productivity were the presence and abundance of perennial C3 grasses (particularly Pascopyrum smithii), likely because of the high early relative growth rate and strong competitive effect of those species. Conclusions We compiled and compared the ability of a range of empirical models to predict high‐productivity community configurations, and tested the accuracy of the best models in a confirmatory experiment. The relationship between predicted and observed productivity was significantly correlated in the confirmatory experiment, and demonstrates that under controlled conditions, basic measures of community structure can predict community function. This approach has potential, but variability within treatments may limit the accuracy of results. The models developed can be used as a screening tool, narrowing the search window for high functioning seed mixtures for use in ecological restoration.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».