Forest Landscape Heterogeneity Increases Shrub Diversity at the Expense of Tree Seedling Diversity in Temperate Mixedwood Forests
Notice bibliographique
Résumé
Partial disturbances enhance spatial heterogeneity through the diversification of forest structure, which contributes to niche partitioning and consequently to species diversity. However, this heterogeneity–diversity relationship may differ between groups of species, and is potentially modified by biotic interactions at the community level. We propose that shrub diversity will be greater in heterogeneous landscapes, while tree diversity will be lower in those same landscapes, due to the biotic interactions of shrub competition. We conducted field sampling in the balsam fir/yellow birch bioclimatic domain in western Québec, a forested ecosystem disturbed by natural and anthropogenic partial disturbances. We selected 12 forested landscapes (1 km2), four in each of three classes of landscape heterogeneity (heterogeneous, moderately heterogeneous, homogenous). Shrub and tree species regeneration abundance was measured in three different size classes of canopy gaps and the forest understory. Gap proportions were assessed in each landscape using aerial LiDAR data. Tree and shrub alpha-diversity significantly responded to landscape heterogeneity, shrubs being more diverse while tree seedlings were less diverse in heterogeneous landscapes. Heterogeneous landscapes showed highest species accumulation rates for shrubs in medium-sized gaps. For tree seedlings, species accumulation rates were highest in heterogeneous landscapes in the forest understory. Our study thus supports the heterogeneity–diversity relationship with shrubs having higher alpha and beta diversity in heterogeneous landscapes whereas local-scale tree diversity was higher in homogenous landscapes.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| 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 ».