MétaCan
Menu
Retour à la cohorte
Enregistrement W4294219347 · doi:10.1111/nph.18454

Death from hunger or thirst? Phloem death, rather than xylem hydraulic failure, as a driver of fire‐induced conifer mortality

2022· article· en· W4294219347 sur OpenAlexaff
Raquel Partelli‐Feltrin, Alistair M. S. Smith, Henry D. Adams, R. Alex Thompson, Crystal A. Kolden, Kara M. Yedinak, Daniel M. Johnson

Notice bibliographique

RevueNew Phytologist · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFire effects on ecosystems
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Institute of Food and AgricultureNational Science Foundation
Mots-clésXylemPhloemThirstBiologyBotanyPhysiology

Résumé

récupéré en direct d'OpenAlex

Disruption of photosynthesis and carbon transport due to damage to the tree crown and stem cambial cells, respectively, can cause tree mortality. It has recently been proposed that fire-induced dysfunction of xylem plays an important role in tree mortality. Here, we simultaneously tested the impact of a lethal fire dose on nonstructural carbohydrates (NSCs) and xylem hydraulics in Pinus ponderosa saplings. Saplings were burned with a known lethal fire dose. Nonstructural carbohydrates were assessed in needles, main stems, roots and whole plants, and xylem hydraulic conductivity was measured in the main stems up to 29 d postfire. Photosynthesis and whole plant NSCs declined postfire. Additionally, all burned saplings showed 100% phloem/cambium necrosis, and roots of burned saplings had reduced NSCs compared to unburned and defoliated saplings. We further show that, contrary to patterns observed with NSCs, water transport was unchanged by fire and there was no evidence of xylem deformation in saplings that experienced a lethal dose of heat from fire. We conclude that phloem and cambium mortality, and not hydraulic failure, were probably the causes of death in these saplings. These findings advance our understanding of the physiological response to fire-induced injuries in conifer trees.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,032
Tête enseignante GPT0,267
Écart entre enseignants0,235 · 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 source (Gemma direct ou Codex distillé), 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

Citations41
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNew PhytologistMême sujetFire effects on ecosystemsTravaux en français237 207