Diversity and identity of economics traits determine the extent of tree mixture effects on ecosystem productivity
Notice bibliographique
Résumé
Abstract Although both observational and experimental studies have shown that positive tree species diversity–productivity relationships are predominant in global forests, weak or the lack of tree species diversity and productivity relationships also exist. Growing evidence has revealed that ecosystem productivity depends more on the functional characteristics of species than on their number. However, exactly to what extent tree diversity effects on ecosystem productivity are influenced by the variability and composition of functional traits have rarely been tested both across and at given species richness (SR) levels. Here, we employed a meta‐analysis of global‐scale data from 59 tree diversity experiments to examine how the diversity and community‐weighted means (CWMs) of economics traits determine the outcomes of tree mixture effects on productivity across and within SR levels. We found that the positive effects of tree mixtures on productivity were strengthened by the increasing multidimensional functional dispersion (FDis) and the CWM of leaf nitrogen content both across and within two‐ and four‐species mixtures. Moreover, the multidimensional FDis and the CWM of leaf nitrogen content increased the complementarity effect rather than the selection effect. Synthesis . Our findings suggest that both diversity in the leaf economics spectrum and trait concentration on the ‘fast’ end of the spectrum strengthen biodiversity–ecosystem functioning relationships. This study provides mechanistic insights into the potent roles of plant economics traits, especially leaf nitrogen content, in determining the magnitude (and even directionality) of the biodiversity–ecosystem functioning relationships in forest ecosystems.
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 ».