Linking hard and soft traits: Physiology, morphology and anatomy interact to determine habitat affinities to soil water availability in herbaceous dicots
Notice bibliographique
Résumé
BACKGROUND AND AIMS: Species' habitat affinities along environmental gradients should be determined by a combination of physiological (hard) and morpho-anatomical (soft) traits. Using a gradient of soil water availability, we address three questions: How well can we predict habitat affinities from hard traits, from soft traits, and from a combination of the two? How well can we predict species' physiological responses to drought (hard traits) from their soft traits? Can we model a causal sequence as soft traits → hard traits → species distributions? METHODS: We chose 25 species of herbaceous dicots whose affinities for soil moisture have already been linked to 5 physiological traits (stomatal conductance and net photosynthesis measured at soil field capacity, water use efficiency, stomatal conductance and soil water potential measured when leaves begin to wilt). Under controlled conditions in soils at field capacity, we measured five soft traits (leaf dry matter content, specific leaf area, leaf nitrogen content, stomatal area, specific root length). KEY RESULTS: Soft traits alone were poor predictors (R2 = 0.129) while hard traits explained 48% of species habitat affinities. Moreover, hard traits were significantly related to combinations of soft traits. From a priori biological knowledge and hypothesized ecological links we built a path model showing a sequential pattern soft traits → hard traits → species distributions and accounting for 59.6% (p = 0.782) of habitat wetness. CONCLUSIONS: Both direct and indirect causal relationships existed between soft traits, hard traits and species' habitat preferences. The poor predictive abilities of soft traits alone were due to the existence of antagonistic and synergistic direct and indirect effects of soft traits on habitat preferences mediated by the hard traits. To obtain a more realistic model applicable to a population level, it has to be tested in an experiment including species competition for water supply.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».