Physiological and growth responses to defoliation of older needles in Abies alba trees grown under two light regimes
Notice bibliographique
Résumé
In most defoliation experiments with evergreen trees, leaves are removed proportionally across all leaf age classes or only the younger ones are removed. However, it remains unclear how the ecophysiological functions of older foliage potentially differ from those of younger leaves. Hence, we conducted a field experiment with five intensities of artificial defoliation (0%, 11% needle biomass loss = all ≥ 5-year-old needles removed, 27% loss = all ≥ 4-year-old needles removed, 46% loss = all ≥ 3-year-old needles removed, and 71% loss = all ≥ 2-year-old needles removed) of Abies alba trees grown under low-light (LL, 28% of full sunlight) and high-light conditions (HL, 70%). Photosynthesis of the remaining one-year-old needles; concentrations of non-structural carbohydrates (NSCs = soluble sugars + starch), total nitrogen (N), and soluble protein (SP) in stem sapwood and one-year-old needles; and tree height and stem radial growth rates were measured. We found that growth light conditions, rather than old needle defoliation up to a needle biomass loss of 70%, significantly affected growth, photosynthetic capacity and concentrations of tissue N, SP, and NSCs, with levels of all parameters greater in HL trees than in LL tress. Defoliation-induced compensatory growth was found in HL trees only, whereas tree height growth rates tended to decrease with increasing defoliation intensity in LL trees. Our results indicate that light availability, rather than damage to older foliage, plays an important role in determining plant physiology and growth. These results from A. alba trees suggest that the resource uptake by older foliage almost balances their resource consumption, leading to the conclusion that the older needles from evergreen trees physiologically contribute less to the whole-tree carbon and nitrogen balance. Our findings also suggest that the effects of older foliage defoliation on forest survival and productivity may have been overestimated in past forest ecosystem management practices, while the physiological functions of the youngest foliage may have been underestimated.
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 ».