Dynamics of Fine Root Decomposition in Different Vegetation Types: Investigating the Impact of Soil Fungal Communities and Enzyme Activities
Notice bibliographique
Résumé
Fine root decomposition plays a vital role in driving the carbon cycle in terrestrial ecosystems, as it constitutes a substantial part of annual net primary production and, as transient tissues, returns to the soil within relatively short timescales. Soil fungal communities and enzyme activities strongly influence this process. In this study, we used an in situ soil core decomposition method to compare the fine root decomposition rates of Liriodendron chinense (Hemsl.) Sargent, Cunninghamia lanceolata (Lamb.) Hook, and Phyllostachys edulis (Carrière) J.Houz forests over a 1-year period (March 2021–March 2022). We quantified the chemical attributes of fine roots and soil enzymatic activities across different forests, detected fungal communities via ITS rRNA gene sequencing, and forecasted fungal functional groups using the FUNGuild database. The results showed that fine root decomposition was fastest in the Liriodendron chinense (Hemsl.) Sargent forest (77.2%) and the slowest for Cunninghamia lanceolata (Lamb.) Hook (59.2%). Structural equation modeling (SEM) results indicated that the carbon content of fine roots and the functional groups of soil fungi are crucial to fine root decomposition. They not only directly influence fine root decomposition but also promote it through soil enzymatic activities, clearly suggesting that changes in soil enzymatic activities can be employed to explain the ecological effects of the root decomposition process. This study illuminates significant differences in the chemical characteristics of fine roots, soil enzymatic activities, and soil fungal communities among different forest types, all of which significantly affect fine root decomposition.
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 ».