Quantifying leaf‐trait covariation and its controls across climates and biomes
Notice bibliographique
Résumé
Summary Plant functional ecology requires the quantification of trait variation and its controls. Field measurements on 483 species at 48 sites across China were used to analyse variation in leaf traits, and assess their predictability. Principal components analysis ( PCA ) was used to characterize trait variation, redundancy analysis ( RDA ) to reveal climate effects, and RDA with variance partitioning to estimate separate and overlapping effects of site, climate, life‐form and family membership. Four orthogonal dimensions of total trait variation were identified: leaf area ( LA ), internal‐to‐ambient CO 2 ratio (χ), leaf economics spectrum traits (specific leaf area ( SLA ) versus leaf dry matter content ( LDMC ) and nitrogen per area ( N area )), and photosynthetic capacities ( V cmax , J max at 25°C). LA and χ covaried with moisture index. Site, climate, life form and family together explained 70% of trait variance. Families accounted for 17%, and climate and families together 29%. LDMC and SLA showed the largest family effects. Independent life‐form effects were small. Climate influences trait variation in part by selection for different life forms and families. Trait values derived from climate data via RDA showed substantial predictive power for trait values in the available global data sets. Systematic trait data collection across all climates and biomes is still necessary.
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 | 0,001 |
| 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 ».