Exploring trait–performance relationships of tree seedlings along experimentally manipulated light and water gradients
Notice bibliographique
Résumé
A foundational assumption of trait-based ecology is that individual performances should be predicted by its functional traits. However, the trait-performance relationships reported in literature were typically weak, probably due to the ignorance of interactions between traits and environments, intraspecific trait variability, and hard traits (directly linked to physiological processes of interest). We conducted an experiment of planting 900 seedlings of six tree species separately (one seedling per pot) along experimentally manipulated light and water gradients, monitored their survival and growth, and measured their morphological, photosynthetic, and hydraulic traits. Most trait-performance relationships depended on the environments, either marginally changing (weak trait × environment interaction) or even reversing (strong trait × environment interaction) along light or water gradients in our experiment. Such trait × environment interactions were more likely to be detected in growth models using individual-level traits than models using species mean traits, but seedling growth was not better modeled with individual-level traits than species mean traits. Additionally, none of the hard traits (photosynthetic and hydraulic traits) were better predictors than soft traits (morphological traits) modeling seedling growth and survival along light and water gradients. Our study highlights the necessities of considering trait × environment interactions when predicting response of plants to changing environments. The benefits of using individual-level traits or hard traits to predict plant performance might be reduced or even canceled if their measurement errors are not well controlled.
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 | 0,001 | 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) | 0,001 | 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 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 ».