The roles of root‐nodulating bacterial associations and cyanogenesis in the freezing sensitivities of herbaceous legumes
Notice bibliographique
Résumé
PREMISE: Reduced snow cover and increasing temperature variability can increase freezing stress for herbaceous plants in northern temperate regions. Legumes have emerged as a plant functional group that is highly sensitive to these changes relative to other herbaceous species in these regions. We explored root-nodulating bacterial associations and cyanogenesis as potential mechanisms explaining this relatively low freezing tolerance of legumes. METHODS: To examine the influence of bacterial associations, we grew four legume species with or without crushed-nodule inoculum at three severities of freezing, and three concentrations of nitrogen to disambiguate the direct benefits of increased nitrogen from the total bacterial effect. We quantified cyanogenesis via hydrogen cyanide production in both true leaves and cotyledons for nine legume species. RESULTS: Root nodulation generally only affected legume survival under low nitrogen, when freezing severity was moderate or low. However, for the frost-surviving plants, the growth advantage provided by nodulation decreased (it was often no longer significant with increasing freezing severity), and greater freezing severity reduced total nodule mass. In contrast, cyanogenesis was only detected in two of the nine species. CONCLUSIONS: The diminished performance of nodulated plants in response to freezing could place legumes at a competitive disadvantage and potentially explain their high sensitivity to freezing relative to other herbaceous species in northern temperate regions. Overall, this result has important implications for changes in soil fertility, community composition, and plant productivity in these ecosystems in the context of a changing winter climate.
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) | 0,000 | 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 ».