MétaCan
Menu
Retour à la cohorte
Enregistrement W4319461717 · doi:10.1111/nph.18800

Plant water use theory should incorporate hypotheses about extreme environments, population ecology, and community ecology

2023· article· en· W4319461717 sur OpenAlexaff
Benjamin Blonder, L. M. T. Aparecido, Kevin R. Hultine, Danica Lombardozzi, Sean T. Michaletz, Bradley C. Posch, Martijn Slot, Klaus Winter

Notice bibliographique

RevueNew Phytologist · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePlant Water Relations and Carbon Dynamics
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesArizona State UniversityU.S. Department of AgricultureNational Science Foundation
Mots-clésEcologyCommunityPopulationPopulation ecologyEcological systems theoryEvolutionary ecologyBiologyEnvironmental resource managementEnvironmental scienceHabitatSociology

Résumé

récupéré en direct d'OpenAlex

Plant water use theory has largely been developed within a plant-performance paradigm that conceptualizes water use in terms of value for carbon gain and that sits within a neoclassical economic framework. This theory works very well in many contexts but does not consider other values of water to plants that could impact their fitness. Here, we survey a range of alternative hypotheses for drivers of water use and stomatal regulation. These hypotheses are organized around relevance to extreme environments, population ecology, and community ecology. Most of these hypotheses are not yet empirically tested and some are controversial (e.g. requiring more agency and behavior than is commonly believed possible for plants). Some hypotheses, especially those focused around using water to avoid thermal stress, using water to promote reproduction instead of growth, and using water to hoard it, may be useful to incorporate into theory or to implement in Earth System Models.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,004
Communication savante0,0020,005
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,063
Tête enseignante GPT0,242
Écart entre enseignants0,179 · 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'étudeThéorique ou conceptuel
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

Citations47
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNew PhytologistMême sujetPlant Water Relations and Carbon DynamicsTravaux en français237 207