Broad-scale distribution of epiphytic hair lichens correlates more with climate and nitrogen deposition than with forest structure
Notice bibliographique
Résumé
Hair lichens are strongly influenced by forest structure at local scales, but their broad-scale distributions are less understood. We compared the occurrence and length of Alectoria sarmentosa (Ach.) Ach., Bryoria spp., and Usnea spp. in the lower canopy of > 5000 Picea abies (L.) Karst. trees within the National Forest Inventory across all productive forest in Sweden. We used logistic regression to analyse how climate, nitrogen deposition, and forest variables influence lichen occurrence. Distributions overlapped, but the distribution of Bryoria was more northern and that of Usnea was more southern, with Alectoria’s distribution being intermediate. Lichen length increased towards northern regions, indicating better conditions for biomass accumulation. Logistic regression models had the highest pseudo R 2 value for Bryoria, followed by Alectoria. Temperature and nitrogen deposition had higher explanatory power than precipitation and forest variables. Multiple logistic regressions suggest that lichen genera respond differently to increases in several variables. Warming decreased the odds for Bryoria occurrence at all temperatures. Corresponding odds for Alectoria and Usnea decreased in warmer climates, but in colder climates, they increased. Nitrogen addition decreased the odds for Alectoria and Usnea occurrence under high deposition, but under low deposition, the odds increased. Our analyses suggest major shifts in the broad-scale distribution of hair lichens with changes in climate, nitrogen deposition, and forest management.
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 ».