Drivers of understory species richness in reconstructed boreal ecosystems: a structural equation modeling analysis
Notice bibliographique
Résumé
Understory vegetation accounts for the most diverse part of the plant community in boreal forests and plays a critical role in stand dynamics and ecosystem functions. However, the ecological processes that drive understory species diversity are poorly understood and largely unexplored for reconstructed boreal ecosystems. The current study explored the relationships between understory species richness and biotic and abiotic factors in sites reclaimed after oil sands mining in northern Alberta, Canada, three and six growing seasons post-reclamation. Reclaimed sites with two main surface soils, forest floor mineral soil mix (FFMM) and peat mineral soil mix (PMM), were used along with post-fire benchmarks. A number of soil physicochemical (including nutrients) and vegetation properties were measured and considered in the a-priori hypothesis framework. Structural equation models (SEM) were used to evaluate the multivariate relationships. In general, the FFMM sites had greater species richness than the PMM sites, even six growing seasons after reclamation. A maximum 254% increase in graminoid and shrub cover was observed on FFMM between year 3 and 6 post-reclamation, whereas a maximum 137% increase in forb and bryophyte cover was recorded on PMM. The post-fire sites showed a significant increase (70%) only in shrub cover. Major driving factors of understory species richness varied among soil types. The SEM revealed a strong interdependency between species richness and soil and vegetation factors on FFMM with a positive control from soil N on species richness. In contrast, on PMM soil nutrients had a negative effect on species richness. Temporal changes in the drivers of species richness were mostly observed on FFMM through a negative vegetation control on species richness. The models and significant causal paths can be used in monitoring changes in understory species relationships in reclaimed sites and in identifying future research priorities in similar systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».