Individual‐level leaf trait variation and correlation across biological and spatial scales
Notice bibliographique
Résumé
Even with increasing interest in the ecological importance of intraspecific trait variation (ITV) for better understanding ecological processes, few studies have quantified ITV in seedlings and assessed constraints imposed by trade-offs and correlations among individual-level leaf traits. Estimating the amount and role of ITV in seedlings is important to understand tree recruitment and long-term forest dynamics. We measured ten different size, economics, and whole leaf traits (lamina and petiole) for more than 2,800 seedlings (height ≥ 10 cm and diameter at breast height < 1 cm) in 283 seedling plots and then quantified the amount of ITV and trait correlations across two biological (intraspecific and interspecific) and spatial (within and among plots) scales. Finally, we explored the effects of trait variance and sample size on the strength of trait correlations. We found about 40% (6%-63%) variation in leaf-level traits was explained by ITV across all traits. Lamina and petiole traits were correlated across biological and spatial scales, whereas leaf size traits (e.g., lamina area) were weakly correlated with economics traits (e.g., specific lamina area); lamina mass ratio was strongly related to the petiole length. Trait correlations varied among species, plots, and different scales but there was no evidence that the strength of trait relationships was stronger at broader than finer biological and spatial scales. While larger trait variance increased the strength of correlations, the sample size was the most important factor that was negatively related to the strength of trait correlations. Our results showed that a large amount of trait variation was explained by ITV, which highlighted the importance of considering ITV when using trait-based approaches in seedling ecology. In addition, sample size was an important factor that influenced the strength of trait correlations, which suggests that comparing trait correlations across studies should consider the differences in sample size.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».