Taxonomic and functional diversity in Mediterranean pastures: insights on the biodiversity–productivity trade‐off
Notice bibliographique
Résumé
Summary Agricultural intensification is one of the main causes of biodiversity loss world‐wide. The inclusion of semi‐natural features in agricultural landscapes is suggested as a means of enhancing farm biodiversity, but this practice may have potential negative effects on yield production. Moreover, little evidence exists for effects of semi‐natural features on other components of biodiversity, such as functional diversity. Yet this could provide a more comprehensive understanding of biodiversity–productivity trade‐offs. Here, we report the effects of semi‐natural woody vegetation on taxonomic and functional diversity, and biomass production of herbaceous species at the field and farm scales by sampling 50 fields, ranging from 0 to 90% woody vegetation cover, on nine similarly managed farms in central‐western Spain. We found significant differences in herbaceous species richness among farms. Both taxonomic and functional β‐diversity exhibited significant negative relationships with herbage production, highlighting the trade‐off between biodiversity and productivity in these agroecosystems. Woody vegetation cover had a significant negative relationship with biomass production and a unimodal relationship with species richness at the field scale. At high values of woody vegetation cover, species richness and functional diversity indices were decoupled, suggesting that at this extreme of the woody vegetation gradient, only herbaceous species with contrasting trait values were present. Our results showed both convergent and divergent patterns of trait values, suggesting that different assembly processes are acting concurrently along the gradient of woody vegetation. Synthesis and applications . Our result indicates that management of woody vegetation may indeed increase both taxonomic and functional diversity, but this may come at the expense of key ecosystem services or other management goals, namely herbage production. Optimization of the trade‐off between herbage diversity and productivity can be reached with a woody vegetation cover of c. 30% at the field scale.
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 ».