Effects of Different Vegetation Restoration Types on Soil Fungal Community Composition and Functional Groups
Notice bibliographique
Résumé
Abstract Purpose This study investigates the structure and functional groups of soil fungal communities in major vegetation types in subtropical China. The main objective is to understand the responses of these communities to different vegetation types, and the influence of soil properties, such as soil organic carbon (SOC), pH, soil ammonium nitrogen (AN), available potassium (AK), and nitrate nitrogen (NN), on the structure and functional groups of the soil fungal communities. Methods We explored the impact of different vegetation types on fungal diversity in various plantations, including bare land, Liriodendron chinense (Hu) T.C. Chen, Cunninghamia lanceolata (Lamb.) Hook, Phyllostachys pubescens Mazel ex H.de Lehaie (moso bamboo), and mixed fores. We also analyzed variations in soil properties across different soil depths. Results The results showed that the soil available potassium (AK) and soil nitrate nitrogen (NN) in mixed forests were significantly lower than those in bare land by 47% and 57%, respectively. The Soil organic carbon (SOC), NN, and pH decreased significantly by 49%, 45%, and 8%, respectively with increasing the soil depth. The diversity of soil fungal communities in mixed forest and mandarin forest was 20% higher than that in bare land. The relative abundance of Ectomycorrhizal fungi was highest in bamboo forests, while the relative abundance of Arbuscular Mycorrhizal fungi and plant pathogens increased with increasing soil depth, by 12% and 7%, respectively. Conclusions Our findings indicate that vegetation types and soil properties significantly impact the structure and diversity of soil fungal communities in subtropical plantations. These changes in the fungal community may stimulate the soil nutrient cycle, contributing to the ecosystem sustainability.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».