Accelerated Nutrient Cycling and Increased Light Competition Will Lead to 21st Century Shrub Expansion in North American Arctic Tundra
Notice bibliographique
Résumé
Abstract Recent changes in species composition, and increases in shrub abundance in particular, have been reported as a result of warming in Arctic tundra. Despite these changes, the driving factors that control shrubification and its future trajectory remain uncertain. Here we used an ecosystem model, ecosys , to mechanistically represent the processes controlling recent and 21st century changes in plant functional type using RCP8.5 climate forcing across North American Arctic tundra. Recent and projected warming was modeled to deepen the active layer (spatially averaged by ~0.35 m by 2100) and thereby increase nutrient availability. Shrub productivity was modeled to increase across much of the tundra, particularly in Alaska and tundra‐boreal ecotones. Deciduous and evergreen shrubs increased from ~45% of total tundra ecosystem net primary productivity (NPP) in recent decades to ~70% by 2100. The increased canopy cover of shrubs reduced incoming shortwave radiation for low‐lying plants, causing declines in graminoids NPP from a current 35% of tundra NPP to 18%, and declines in nonvascular plants from 20% to 12%. The faster‐growing deciduous shrubs modeled with less efficient nutrient conservation dominated much of the low Arctic by 2100 where nutrient cycling became more rapid, while the slower‐growing evergreen shrubs modeled with more efficient nutrient conservation dominated a wider latitudinal range that extended to the high Arctic where nutrient cycling remained slower. We conclude that high‐latitude vegetation dynamics over the 21st century will depend strongly on soil nutrient dynamics, diversity in plant traits controlling nutrient uptake and conservation, and light competition.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».