Differential Responses of Soil Microbial and Carbon‐Nitrogen Processes to Future Environmental Changes Across Soil Depths and Environmental Factors
Notice bibliographique
Résumé
Abstract Accurately predicting carbon‐climate feedbacks relies on understanding the environmental factors regulating soil organic carbon (SOC) storage and dynamics. Here, we employed a microbial ecological model (MEND), driven by downscaled output data from six Earth system models under two Shared Socio‐economic Pathways (SSP1‐2.6 and SSP5‐8.5) scenarios, to simulate long‐term soil biogeochemical processes. We aim to analyze the responses of soil microbial and carbon‐nitrogen (C‐N) processes to changes in environmental factors, including litter input (L), soil moisture (W) and temperature (T), and soil pH, in a broadleaf forest (BF) and a pine forest (PF). For the entire soil layer in both forests, we found that, compared to the baseline period of 2009–2020, the mean SOC during 2081–2100 increased by 40.9%–90.6% under the L or T change scenarios, versus 5.2%–31.0% under the W change scenario. However, soil moisture emerged as a key regulator of SOC, MBC and inorganic N dynamics in the topsoil of BF and PF. For example, W change led to SOC gain of 5.5%–37.2%, compared to the SOC loss of 15.5%–18.0% under L or T scenario. Additionally, a further reduction in soil pH by 0.2 units in the BF, representing the acid rain effect, significantly resulted in an additional SOC gain by 14.2%–21.3%, compared to the LTW (simultaneous changes in the three factors) scenario. These results indicate that the results derived solely from topsoil may not be extrapolated to the entire soil profile. Overall, this study significantly advances our comprehension of how different environmental factors impact the dynamics of SOC and the implications they have for climate change.
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 ».