From division to ‘divergence’: to understand wood growth across timescales, we need to (learn to) manipulate it
Notice bibliographique
Résumé
Wood formation is the Rosetta stone of tree physiology: a traceable, integrated record of physiological and morphological status. It also produces a large and persistent annual sink for terrestrial carbon, motivating predictive understanding. Xylogenesis studies have greatly expanded our knowledge of the intra-annual controls on wood formation, while dendroecology has quantified the environmental drivers of multi-annual variability. But these fields operate on different timescales, making it challenging to predict how short (e.g. turgor) and long timescale processes (e.g. disturbance) interactively influence wood formation. Toward this challenge, wood growth responses to natural climate events provide useful but incomplete explanations of tree growth variability. By contrast, direct manipulations of the tree vascular system have yielded unexpected insights, particularly outside of model species like boreal conifers, but they remain underutilized. To improve prediction of global wood formation, we argue for a new generation of experimental manipulations of wood growth across seasons, species, and ecosystems. Such manipulations should expand inference to diverse forests and capture inter- and intra-specific differences in wood growth. We summarize the endogenous and exogenous factors influencing wood formation to guide future experimental design and hypotheses. We highlight key opportunities for manipulative studies integrating measurements from xylogenesis, dendroanatomy, dendroecology, and ecophysiology.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».