Distribution of shrublands in relation to soil and climate in mid-subtropical China
Notice bibliographique
Résumé
Understanding relationships between vegetation and environments is of importance for ecosystem restoration and management. However, information on how environments influence the floristic patterns of shrublands is lack, especially in the subtropical China. In this study, we explored how environments regulate species composition of shrublands at landscape scale in mid-subtropical China. We investigated species composition and measured the climate and soil environments for 207 shrubland plots in mid-subtropical China (24°39′–30°08′N, 108°47′–114°15′E). We applied a hierarchical cluster analysis and indicator species analysis based on the Bray–Curtis similarity index to identify the main shrubland types and employed principal coordinate analysis (PCoA) to explore the relationship between floristic composition and environment. We identified four shrubland types occurring in different environmental conditions. Montane shrubland, dominated by species suitable for cool climates (e.g. Rhododendron simsii ), were distributed in steep areas at comparatively high altitudes; foothill shrubland, dominated by mesophilous species (e.g. Loropetalum chinense ), were distributed in low mountains and hills; pioneer shrubland, dominated by fast grow and short-life cycles species (e.g. Rhus chinensis ), were distributed at low altitudes with dense population; and finally, limestone shrubland, dominated by calcicole plants (e.g. Coriaria nepalensis ), were distributed in the extensive karst areas. Communities occurring in high pH soils were completely separated from those in low pH soils according to the hierarchical cluster analysis. PCoA ordination associated the four types with distinct edaphic and climatic gradients. Soil pH explained 63.3% of variation in PCoA, followed by soil depth and soil bulk density.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».