Coordination of photosynthetic traits across soil and climate gradients
Notice bibliographique
Résumé
Abstract “Least‐cost theory” posits that C 3 plants should balance rates of photosynthetic water loss and carboxylation in relation to the relative acquisition and maintenance costs of resources required for these activities. Here we investigated the dependency of photosynthetic traits on climate and soil properties using a new Australia‐wide trait dataset spanning 528 species from 67 sites. We tested the hypotheses that plants on relatively cold or dry sites, or on relatively more fertile sites, would typically operate at greater CO 2 drawdown (lower ratio of leaf internal to ambient CO 2 , C i : C a ) during light‐saturated photosynthesis, and at higher leaf N per area (N area ) and higher carboxylation capacity ( V cmax 25 ) for a given rate of stomatal conductance to water vapour, g sw . These results would be indicative of plants having relatively higher water costs than nutrient costs. In general, our hypotheses were supported. Soil total phosphorus (P) concentration and (more weakly) soil pH exerted positive effects on the N area – g sw and V cmax 25 – g sw slopes, and negative effects on C i : C a . The P effect strengthened when the effect of climate was removed via partial regression. We observed similar trends with increasing soil cation exchange capacity and clay content, which affect soil nutrient availability, and found that soil properties explained similar amounts of variation in the focal traits as climate did. Although climate typically explained more trait variation than soil did, together they explained up to 52% of variation in the slope relationships and soil properties explained up to 30% of the variation in individual traits. Soils influenced photosynthetic traits as well as their coordination. In particular, the influence of soil P likely reflects the Australia's geologically ancient low‐relief landscapes with highly leached soils. Least‐cost theory provides a valuable framework for understanding trade‐offs between resource costs and use in plants, including limiting soil nutrients.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».