Nitrogen increases early‐stage and slows late‐stage decomposition across diverse grasslands
Notice bibliographique
Résumé
Abstract To evaluate how increased anthropogenic nutrient inputs alter carbon cycling in grasslands, we conducted a litter decomposition study across 20 temperate grasslands on three continents within the Nutrient Network, a globally distributed nutrient enrichment experiment We determined the effects of addition of experimental nitrogen (N), phosphorus (P) and potassium plus micronutrient (K μ ) on decomposition of a common tree leaf litter in a long‐term study (maximum of 7 years; exact deployment period varied across sites). The use of higher order decomposition models allowed us to distinguish between the effects of nutrients on early‐ versus late‐stage decomposition. Across continents, the addition of N (but not other nutrients) accelerated early‐stage decomposition and slowed late‐stage decomposition, increasing the slowly decomposing fraction by 28% and the overall litter mean residence time by 58%. Synthesis . Using a novel, long‐term cross‐site experiment, we found widespread evidence that N enhances the early stages of above‐ground plant litter decomposition across diverse and widespread temperate grassland sites but slows late‐stage decomposition. These findings were corroborated by fitting the data to multiple decomposition models and have implications for N effects on soil organic matter formation. For example, following N enrichment, increased microbial processing of litter substrates early in decomposition could promote the production and transfer of low molecular weight compounds to soils and potentially enhance the stabilization of mineral‐associated organic matter. By contrast, by slowing late‐stage decomposition, N enrichment could promote particulate organic matter (POM) accumulation. Such hypotheses deserve further testing.
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) | 0,001 | 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 ».