Long‐term deepened snow promotes tundra evergreen shrub growth and summertime ecosystem net <scp>CO</scp><sub>2</sub> gain but reduces soil carbon and nutrient pools
Notice bibliographique
Résumé
exchange (NEE), and soil biogeochemistry in Canadian Low Arctic mesic shrub tundra. The snowfence treatment enhanced snow depth from 0.3 to ~1 m, increasing winter soil temperatures by ~3°C, but with no effect on summer soil temperature, moisture, or thaw depth. Nevertheless, shoot biomass of the evergreen shrub Rhododendron subarcticum was near-doubled by the snowfences, leading to a 52% increase in aboveground vascular plant biomass. Additionally, summertime NEE rates, measured in collars containing similar plant biomass across treatments, were consistently reduced ~30% in the snowfenced plots due to decreased ecosystem respiration rather than increased gross photosynthesis. Phosphate in the organic soil layer (0-10 cm depth) and nitrate in the mineral soil layer (15-25 cm depth) were substantially reduced within the snowfences (47-70 and 43%-73% reductions, respectively, across sampling times). Finally, the snowfences tended (p = .08) to reduce mineral soil layer C% by 40%, but with considerable within- and among plot variation due to cryoturbation across the landscape. These results indicate that enhanced snow accumulation is likely to further increase dominance of R. subarcticum in its favored locations, and reduce summertime respiration and soil biogeochemical pools. Since evergreens are relatively slow growing and of low stature, their increased dominance may constrain vegetation-related feedbacks to climate change. We found no evidence that deepened snow promoted deciduous shrub growth in mesic tundra, and conclude that the relatively strong R. subarcticum response to snow accumulation may explain the extensive spatial variability in observed circumpolar patterns of evergreen and deciduous shrub growth over the past 30 years.
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 | 0,000 | 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 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 ».