Specific Leaf Area and Dry Matter Content Estimate Thickness in Laminar Leaves
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Leaf thickness plays an important role in leaf and plant functioning, and relates to a species' strategy of resource acquisition and use. As such, it has been widely used for screening purposes in crop science and community ecology. However, since its measurement is not straightforward, a number of estimates have been proposed. Here, the validity of the (SLA x LDMC)(-1) product is tested to estimate leaf thickness, where SLA is the specific leaf area (leaf area/dry mass) and LDMC is the leaf dry matter content (leaf dry mass/fresh mass). SLA and LDMC are two leaf traits that are both more easily measurable and often reported in the literature. METHODS: The relationship between leaf thickness (LT) and (SLA x LDMC)(-1) was tested in two analyses of covariance using 11 datasets (three original and eight published) for a total number of 1039 data points, corresponding to a wide range of growth forms growing in contrasted environments in four continents. KEY RESULTS AND CONCLUSIONS: The overall slope and intercept of the relationship were not significantly different from one and zero, respectively, and the residual standard error was 0.11. Only two of the eight datasets displayed a significant difference in the intercepts, and the only significant difference among the most represented growth forms was for trees. LT can therefore be estimated by (SLA x LDMC)(-1), allowing leaf thickness to be derived from easily and widely measured leaf 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.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».