Evaluating the effects of two newly emerging plant pathogens on northern Aotearoa-New Zealand forests using an individual-based model
Notice bibliographique
Résumé
• We refined an individual-based model of Aotearoa-NZ forest dynamics. • We used it to explore the effects of two new pathogens in northern NZ forests. • Kauri dieback may significantly alter these forests’ composition and function. • Myrtle rust appears to have less severe effects but may alter early succession. Globally, forest ecosystems face many threats to their resilience. During the last 20 years, two plant pathogens have become of widespread concern in Aotearoa-New Zealand (NZ): kauri dieback (a soil-borne disease caused by Phytophthora agathidicida and affecting Agathis australis , a large and long-lived gymnosperm) and myrtle rust (a wind-borne disease caused by Austropuccinia psidii and affecting members of the Myrtaceae). The long-term consequences of these pathogens are unclear, but they could drive significant changes in forest composition and ecosystem function. Here, we use an individual-based forest model for northern NZ, enabling us to explore some of these stressors. The model has previously been used to explore the dynamics of northern forests in NZ. To examine how myrtle rust and kauri dieback might affect forest dynamics under various scenarios we refined the model by (i) representing additional species, (ii) including an underlying edaphic gradient in addition to competition for light, (iii) simulating the effects of the plant pathogens kauri dieback and myrtle rust and (iv) porting the model from NetLogo 6 to Julia. Our simulation experiments suggest that myrtle rust may hasten the decline of two early successional species that we evaluated but has less effect on carbon storage. On the other hand, kauri dieback may lead to the stand-level loss of all Agathis australis and a median decline in aboveground live carbon storage of up to 55 % compared to undiseased stands after 500 years. The model experiments do not identify any interactive effects between the two pathogens. As with other efforts to model NZ's forest ecosystems, the model struggles to capture the regeneration dynamics of very long-lived species. Regeneration dynamics and evaluating a broader pool of the tree species common in the forests of northern NZ are where we will focus on future model development.
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 ».