Eelgrass (Zostera marina) Trait Variation Across Varying Temperature-Light Regimes
Notice bibliographique
Résumé
Abstract Seagrass trait variation, which results from both local genetic adaptation and phenotypic plasticity, has important effects on ecosystems. Physical drivers underlie these processes and are important determinants of trait variation. Despite this, few studies examine multivariate predictive relationships between sets of physical drivers and sets of seagrass traits. Here, we use redundancy analysis to define this relationship for eelgrass Zostera marina , using traits that represent bed structure, morphology, and physiology and physical drivers that emphasize light conditions and temperature variability on different time scales. We found a relationship between plant size (i.e., leaf length and width, rhizome width, number of leaves) and shoot density that dominated the trait variation. Specifically, as temperatures became warmer, more variable, and light was less limiting, plants became smaller (shorter, narrower, and fewer leaves, thinner rhizomes) but beds became denser. Plant biomass (leaf area index), which increased with decreasing temperature variability and bottom light, further refined this relationship. Overall, temperature variability (i.e., daily temperature range, heat accumulation, time in the optimal temperature range, and tidal and meteorological variability), as well as bottom light, were important predictors of eelgrass traits. We further identified three distinct temperature-light regimes across which traits differed; these included the cool low variability temperature regime with low light, the warm high variability temperature regime with high light, and the intermediate case between these endpoints. Our study identifies specific temperature and light drivers that define certain eelgrass traits and provides a multivariate statistical model that can be used to predict eelgrass trait values from known physical conditions.
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 | 0,001 | 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 ».