The role of genotypic and climatic variation at the range edge: A case study in winegrapes
Notice bibliographique
Résumé
PREMISE: Changes in habitat suitability due to climate change are causing range shifts, with new habitat potentially available at cold range edges. We must predict these range shifts, but forecasters have limited knowledge of how genetic differences in plant physiological tolerances influence range shifts. Here, we focus on a major determinant of species ranges-physiological tolerance to extreme cold-to ask how warming over recent decades and genetic variation shape expansion across complex landscapes. METHODS: We examined how genotypes vary in maximum cold tolerance from 9 years of cold hardiness data across 18 genotypes from 13 sites, using winegrapes (Vitis vinifera subsp. vinifera) as a case study. Combining a Bayesian hierarchical dose-response model with gridded climate data, we then project changes in climatic suitability near winegrapes' current cold range-edge between 1949 and 2016. RESULTS: Plants increased maximum cold hardiness non-linearly with decreasing air temperature (maximum cold hardiness: -23.6°C), but with substantial (by 2°C) variation across genotypes. Our results suggest, since the 1980s, decreasing freeze injury risk has made conditions more favorable for all genotypes at the cold range-edge, but conditions remained more favorable for more cold hardy genotypes and in warmer areas. There was substantial spatial variation in habitat suitability, with the majority of suitably warm habitat located in a narrow north-south oriented strip. CONCLUSIONS: We highlight the importance of genotypic differences in physiological tolerances when assessing range shift potential with climate change. Habitat improvements were unevenly distributed over the spatially complex landscape, though, emphasizing the importance of dispersal in range expansion.
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 | 0,001 | 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) | 0,001 | 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 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 ».