Assessing soil fungal diversity under different sampling schemes in conjunction with remote sensing technologies in a subtropical forest
Notice bibliographique
Résumé
• Cost-effective soil fungi mapping using DNA sequencing and RS images. • Compared eleven sampling schemes with varying intensity and location. • Optimal fungi assessment with 26 points/ha, evenly distributed. • RS synthesis better predicts fungal diversity than individuals. • Aids understanding of soil fungi response to global change in forests. Fungi, serving as real-time bioindicators to environmental changes and stressors, are crucial for effective forest conservation and management practices under ongoing global change. However, the large-scale assessment of soil fungi still encounters challenges in striking a balance between the extensive sampling costs and the limited accuracy of minimal sampling. In this study, we analyzed 1,606 soil samples collected from 625 quadrats (20 m × 20 m) within a 25-ha subtropical forest dynamic plot in East China. Our primary objective was to explore the impact of different sampling schemes, in conjunction with remote sensing (RS) technologies, on the interpolation of soil fungal diversity using Ordinary Kriging (OK) and Co-kriging (CoK) models. Our findings suggested that a sampling scheme including points at 0 m (the base points) and 8 m within each quadrat, totaling to 26 points/ha, would be a sufficient scheme. This scheme with OK model yielded comparable results to those of more intensive schemes (at 0, 2, 5 and 8 m), but required the fewest sampling points. Upon incorporating each RS variable separately into the CoK models, including two vegetation indices (normalized difference vegetation index and transformed chlorophyll absorption ratio index 2), three terrain attributes (Elevation, Aspect and Slope), and the synthesis of these RS variables, the accuracy of the predicted results was further improved for each sampling scheme. By leveraging high-precision soil DNA sequencing in conjunction with cost-effective RS technologies, this study proposes a rapid and affordable approach for monitoring soil fungal diversity on a large scale. This will facilitate data collection for understanding responses of forest soil fungi to ongoing global 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) | 0,000 | 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 ».