Decoupled abiotic and biotic drivers of aboveground and topsoil organic carbon stocks in temperate forests
Notice bibliographique
Résumé
Abstract Forests are major components of global carbon (C) cycling, and hence, it is crucial to explore the drivers of forest functions related to C sequestration. Here, using the multiple linear regression models (MLMs) and structural equation models (SEMs), we evaluated how abiotic (i.e., soil nutrients and topography) and biotic [i.e., functional trait diversity (FTD) and functional trait identity (FTI)] factors regulate aboveground C (AGC) and topsoil (0–30 cm) organic C (SOC) stocks across 104 plots in temperate forests of Northern Iran. The optimal MLMs showed that the community‐weighted mean (CWM) of wood density and functional divergence increased, but functional evenness decreased AGC stock, where FTI values contributed much (i.e., 74.40%) to the explained variance in AGC stock as compared to FTD indices (12.86%) and abiotic factors (12.74%). On contrary, SOC stock was mainly promoted by soil‐available phosphorus, where abiotic factors contributed much (92.62%) to the explained variance as compared to FTD indices (6.73%) and FTI values (0.65%). The final best‐fitted SEMs showed that AGC stock was strongly controlled ( β = 0.64) by FTI values (i.e., a latent variable of CWM of wood density and plant maximum height), whereas SOC stock was strongly controlled ( β = 0.74) by abiotic factors (i.e., a latent variable of soil‐available phosphorus and total nitrogen). We argue that suitable functional strategies in combination with soil nutrients should be taken into priority during the forestland management and policy plans for the improvement of C stocks in above‐ and belowground compartments of forest ecosystems.
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 ».