MétaCan
Menu
Retour à la cohorte
Enregistrement W3034783718 · doi:10.3389/ffgc.2020.00068

Identifying Functional Impacts of Heat-Resistant Fungi on Boreal Forest Recovery After Wildfire

2020· article· en· W3034783718 sur OpenAlexafffundabout
Nicola J. Day, Steven G. Cumming, Kari E. Dunfield, Jill F. Johnstone, Michelle C. Mack, Kirsten A. Reid, Merritt R. Turetsky, Xanthe J. Walker, Jennifer L. Baltzer

Notice bibliographique

RevueFrontiers in Forests and Global Change · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensUniversity of SaskatchewanUniversity of GuelphUniversité LavalWilfrid Laurier University
Organismes subventionnairesGlobal Water FuturesNatural Sciences and Engineering Research Council of CanadaWilfrid Laurier UniversityNational Aeronautics and Space AdministrationCanada First Research Excellence FundAurora Research InstituteNational Science Foundation
Mots-clésBiologySeedlingBotanyLitterBiomass (ecology)Black sprucePlant litterTaigaEcologyEcosystem

Résumé

récupéré en direct d'OpenAlex

Fungi play key roles in carbon (C) dynamics of ecosystems: saprotrophs decompose organic material and return C in the nutrient cycle, and mycorrhizal species support plants that accumulate C through photosynthesis. The identities and functions of extremophile fungi present after fire can influence C dynamics, particularly because plant-fungal relationships are often species-specific. However, little is known about the function and distribution of fungi that survive fires. We aim to assess the distribution of heat-resistant soil fungi across burned stands of boreal forest in the Northwest Territories, Canada, and understand their functions in relation to decomposition and tree seedling growth. We cultured and identified fungi from heat-treated soils and linked sequences from known taxa with high throughput sequencing fungal data (Illumina MiSeq, ITS1) from soils collected in 47 plots. We assessed functions under controlled conditions by inoculating litter and seedlings with heat-resistant fungi to assess decomposition and effects on seedling growth, respectively, for black spruce ( Picea mariana ), birch ( Betula papyrifera ), and jack pine ( Pinus banksiana ). We also measured litter decomposition rates and seedling densities in the field without inoculation. We isolated seven taxa of heat-resistant fungi and found their relative abundances were not associated with environmental or fire characteristics. Under controlled conditions, Fayodia gracilipes and Penicillium arenicola decomposed birch, but no taxa decomposed black spruce litter significantly more than the control treatment. Seedlings showed reduced biomass and/or mortality when inoculated with at least one of the fungal taxa. Penicillium turbatum reduced growth and/or caused mortality of all three species of seedlings. In the field, birch litter decomposed faster in stands with greater pre-fire proportion of black spruce, while black spruce litter decomposed faster in stands experiencing longer fire-free intervals. Densities of seedlings that had germinated since fire were positively associated with ectomycorrhizal richness while there were fewer conifer seedlings with greater heat-resistant fungal abundance. Overall, our study suggests that extremophile fungi present after fires have multiple functions and may have unexpected negative effects on forest functioning and regeneration. In particular, heat-resistant fungi after fires may promote shifts away from conifer dominance that are observed in these boreal forests.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,667

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,217
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueFrontiers in Forests and Global ChangeMême sujetFire effects on ecosystemsTravaux en français237 207