Non‐native fruit trees facilitate colonization of native forest on abandoned farmland
Notice bibliographique
Résumé
Abstract Ecological restoration of abandoned, formerly forested farmland can improve the delivery of ecosystem services and benefit biodiversity conservation. Restoration programs can involve removing isolated, non‐native trees planted by farmers for fruit or wood. As such “legacy” trees can attract seed dispersers and create microclimates that help native seedlings to establish, removing them may actually slow forest recovery. Working on abandoned farmland in Kibale National Park, Uganda, we evaluated the effect of legacy trees on forest recovery by measuring the number, diversity, and biomass of native seedlings and saplings regenerating in plots centered on avocado ( Persea americana ), mango ( Mangifera indica ), and Eucalyptus legacy trees compared with adjacent plots without legacy trees. The assemblages of native, forest‐dependent tree species in plots around avocado and mango trees were distinct from each other and from those around eucalyptus and all the near‐legacy plots. In particular, avocado plots had higher stem density and species richness of forest‐dependent species than near‐avocado plots, particularly large‐seeded, shade‐tolerant, and animal‐dispersed species—key targets of many restoration plans. Furthermore, many of the species found in high numbers were among those failing to establish in ongoing large‐scale forest restoration in Kibale. Taken together, our results demonstrate that the legacy trees facilitate the dispersal and establishment of native tree species. Retaining the existing legacy trees for a number of years could usefully complement existing management strategies to restore more biodiverse native forest in degraded lands. However, careful monitoring is needed to ensure that the legacy trees do not themselves establish.
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) | 0,001 | 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 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 ».