Nutrient enrichment increases invertebrate herbivory and pathogen damage in grasslands
Notice bibliographique
Résumé
Abstract Plant damage by invertebrate herbivores and pathogens influences the dynamics of grassland ecosystems, but anthropogenic changes in nitrogen and phosphorus availability can modify these relationships. Using a globally distributed experiment, we describe leaf damage on 153 plant taxa from 27 grasslands worldwide, under ambient conditions and with experimentally elevated nitrogen and phosphorus. Invertebrate damage significantly increased with nitrogen addition, especially in grasses and non‐leguminous forbs. Pathogen damage increased with nitrogen in grasses and legumes but not forbs. Effects of phosphorus were generally weaker. Damage was higher in grasslands with more precipitation, but climatic conditions did not change effects of nutrients on leaf damage. On average, invertebrate damage was relatively higher on legumes and pathogen damage was relatively higher on grasses. Community‐weighted mean damage reflected these functional group patterns, with no effects of N on community‐weighted pathogen damage (due to opposing responses of grasses and forbs) but stronger effects of N on community‐weighted invertebrate damage (due to consistent responses of grasses and forbs). Synthesis . As human‐induced inputs of nitrogen and phosphorus continue to increase, understanding their impacts on invertebrate and pathogen damage becomes increasingly important. Our results demonstrate that eutrophication frequently increases plant damage and that damage increases with precipitation across a wide array of grasslands. Invertebrate and pathogen damage in grasslands is likely to increase in the future, with potential consequences for plant, invertebrate and pathogen communities, as well as the transfer of energy and nutrients across trophic levels.
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 ».