Limited initial impacts of biomass harvesting on composition of wood-inhabiting fungi within residual stumps
Notice bibliographique
Résumé
Growing pressures linked to global warming are prompting governments to put policies in place to find alternatives to fossil fuels. In this study, we compared the impact of tree-length harvesting to more intensive full-tree harvesting on the composition of fungi residing in residual stumps 5 years after harvest. In the tree-length treatment, a larger amount of residual material was left around the residual stumps in contrast to the full-tree treatment where a large amount of woody debris was removed. We collected sawdust from five randomly selected residual stumps in five blocks in each of the tree-length and full-tree treatments, yielding a total of 50 samples (25 in each treatment). We characterized the fungal operational taxonomic units (OTUs) present in each stump using high-throughput DNA sequencing of the fungal ITS region. We observed no differences in Shannon diversity between tree-length and full-tree harvesting. Likewise, we observed few differences in the composition of fungal OTUs among tree-length and full-tree samples using non-metric multidimensional scaling. Using the differential abundance analysis implemented with DESeq2, we did, however, detect several associations between specific fungal taxa and the intensity of residual biomass harvest. For example, Peniophorella pallida (Bres.) KH Larss. and Tephromela sp. were found mainly in the full-tree treatment, while Phlebia livida (Pers.) Bres. and Cladophialophora chaetospira (Grove) Crous & Arzanlou were found mainly in the tree-length treatment. While none of the 20 most abundant species in our study were identified as pathogens we did identify one conifer pathogen species Serpula himantioides (Fr.) P. Karst found mainly in the full-tree treatment.
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 ».