Using phenology to unravel differential soil water use and productivity in a semiarid savanna
Notice bibliographique
Résumé
Abstract Savannas are water‐limited ecosystems characterized by two dominant plant types: trees and an understory primarily made up grass. Different phenology and root structures of these plant types complicate how savanna primary productivity responds to changes in water availability. We tested the hypothesis that productivity in savannas is controlled by the temporal and vertical distribution of soil water content (SWC) and differences in growing season length of understory and tree plant functional types. To quantify the relationship between tree, understory, and savanna‐wide phenology and productivity, we used PhenoCam and satellite observations surrounding an eddy covariance tower at a semiarid savanna site in Arizona, USA. We distinguished between SWC across two different depth intervals (shallow, <0–30 cm and deep, >30–100 cm). We found that tree greenness increased with SWC at both depths, while understory greenness was only sensitive to the shallower SWC measurements. Onset of ecosystem dormancy, estimated from satellite observations close to the eddy covariance tower, explained more variability in annual gross primary productivity (GPP) than in other phenometrics. Higher SWC led to an extended growing season, caused by delayed dormancy in trees, but the understory showed no evidence of delayed dormancy in wetter periods. We infer that the timing of ecosystem scale dormancy, driven by trees, is important in understanding changes in a savanna's GPP. These findings highlight the important effects of rainfall during the winter. These findings suggest that savanna GPP is conditional on different responses to moisture availability in each of the dominant vegetation components.
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) | 0,001 | 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 ».