MétaCan
Menu
Retour à la cohorte
Enregistrement W3159883661 · doi:10.1139/as-2020-0016

Interspecific and intraspecific variation in leaf toughness of Arctic plants in relation to habitat and nutrient supply

2021· article· en· W3159883661 sur OpenAlexvenueno aff
Ned Fetcher, Sofia Iglesia, Stephen J. Turner, Thomas C. Parker

Notice bibliographique

RevueArctic Science · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensnon disponible
Organismes subventionnairesOffice of International Science and EngineeringCentro Nacional de Investigaciones CardiovascularesNational Science Foundation
Mots-clésTundraTussockBiologyInterspecific competitionBotanyEcologyAgronomyArctic

Résumé

récupéré en direct d'OpenAlex

Leaf toughness is an important functional trait that confers resistance to herbivory and mechanical damage. We sought to determine how species composition, climate, seasonality, and nutrient availability influence leaf toughness in two types of tundra in northern Alaska. We measured leaf toughness as force to punch for 11 species of Arctic plants in tussock tundra and dry heath tundra at 17 sites distributed along a latitudinal gradient. Rubus chamaemorus L. and the graminoids occupied opposite ends of the leaf toughness spectrum, with Rubus chamaemorus requiring the least force to punch, whereas one of the graminoids, Eriophorum vaginatum L., required the most. Leaf toughness increased with mean summer temperature for Eriophorum vaginatum and Betula nana L., whereas it declined with warmer temperatures for the other species. Toughness of mature leaves of Eriophorum vaginatum did not vary through the growing season but declined significantly after senescence. Application of N and P fertilizer in an experimental site decreased leaf toughness in three species but had no effect on four others. Leaf toughness of four out of five species in dry heath was greater than for the same species in tussock tundra, but there was no difference in community-weighted mean toughness between tussock tundra and dry heath.

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)0,001
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 enseignants0,023
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,028
Tête enseignante GPT0,240
Écart entre enseignants0,212 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArctic ScienceMême sujetClimate change and permafrostTravaux en français237 207