Unveiling the integration of above- and below-ground tree carbon-hydraulic traits in Amazonian trees across hydrological niches
Notice bibliographique
Résumé
Understanding trait coordination and trade-offs along the root-to-leaf hydraulic pathway is critical for assessing forest functioning, as these traits significantly impact ecosystem carbon allocation and water use. Here, we investigated the relationship between carbon and hydraulic traits in 11 Amazonian tree species distributed across vertically structured hydrological niches. Using a carbon-hydraulic framework, we tested the hypothesis that interspecific differences arise from the optimization of xylem hydraulic efficiency, reflecting how tropical trees balance water transport efficiency with the carbon costs of maintaining transport tissues across vertical canopy positions. Our results show that above-ground traits were largely explained by canopy position (vertical stratification), whereas below-ground carbon-hydraulic traits were predominantly influenced by interspecific differences. Upper canopy trees exhibited lower and less variable specific root length (SRL) than shallow-rooted understory trees, indicating divergent carbon allocation strategies. Thicker terminal roots had higher hydraulic conductivity (Ks) than finer roots, but Ks declined from roots to terminal branches in most species. Additionally, branch and leaf Ks increase with tree size, indicating greater hydraulic efficiency in larger canopy species. Below-ground, we presented evidence that an increase in SRL is linked to decreased hydraulic conductivity and is influenced by root diameter. Above-ground, branch and leaf hydraulic conductivity tend to be higher in species with higher wood density, which are also more prevalent in upper canopy layers. Together, our findings reveal a coordinated above- and below-ground carbon-hydraulic trait framework across Amazonian trees. Species that occupy different vertical above-ground hydrological niches in lowland Amazon forests exhibit different carbon allocation strategies, which helps explain variation in species dominance and resource use throughout the vertical forest profile.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».