Unlocking Mechanisms for Soil Organic Matter Accumulation: Carbon Use Efficiency and Microbial Necromass as the Keys
Notice bibliographique
Résumé
ABSTRACT Soil microorganisms transform plant‐derived C (carbon) into particulate organic C (POC) and mineral‐associated C (MAOC) pools. While microbial carbon use efficiency (CUE) is widely recognized in current biogeochemical models as a key predictor of soil organic carbon (SOC) storage, large‐scale empirical evidence is limited. In this study, we proposed and experimentally tested two predictors of POC and MAOC pool formation: microbial necromass (using amino sugars as a proxy) and CUE (by 18 O‐H 2 O approach). Soil sampling (0–10 and 10–20 cm depth) was conducted along a climatic transect of 900 km on the Loess Plateau, including cropland, grassland, shrubland, and forest ecosystems, to ensure the homogeneous soil parent material. We found the highest POC and MAOC accumulation occurred in zones of MAT between 5°C and 10°C or MAP between 300 and 500 mm. Microbial necromass C was more positively related to POC than MAOC ( p < 0.05), suggesting that microbial residues may improve POC pool more strongly compared to MAOC pool. Random forest and linear regression analyses showed that POC increased with fungal necromass C, whereas bacterial necromass C drove MAOC. Microbial CUE was coupled with MAOC ( p < 0.05) but decoupled with POC and SOC ( p > 0.05). The POC have faster turnover rate due to the lack of clay protection, which may lead to the rapid turnover of microbial necromass and thus their decoupling from the CUE. In this sense, the SOC accumulation is driven by microbial necromass, whereas CUE explains MAOC dynamics. Our findings highlight the insufficiency of relying solely on microbial carbon use efficiency (CUE) to predict bulk SOC storage. Instead, we propose that CUE and microbial necromass should be used together to explain SOC dynamics, each influencing distinct C pools.
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 ».