Lasting Effects of Different Scaled Mass Mortality Events on Soil Microbial Communities
Notice bibliographique
Résumé
Death is a natural process present in all ecosystems; however, mass mortality events are instances of larger than average numbers of animals dying in a relatively short period of time. These events are increasing in frequency and magnitude, and the effects of mass mortalities — especially their long-term effects — are understudied. To better understand the long-term effects of mass mortalities in terrestrial ecosystems, we conducted experimental mass mortality events to determine if key ecosystem properties remained affected after 4 years. The experiment crossed three types of input treatments (control, carrion, and nutrient additive) with scavenger access (open plots versus fenced plots). To evaluate how increasing carrion biomass affected the ecosystem, sites were randomly assigned biomass (25, 59, 182, 363, 726 kg total (20m 2 plots)). Biomasses consisted of feral swine carcasses or the equivalent amount of N, phosphorus, and K nutrients. After 4 years, we found that while soil N did not differ among treatments, soil K and Ca significantly increased with biomass. Microbial communities significantly differed at the 182 kg biomass treatments compared to others and indicated significant effects between carrion and nutrient additive treatments. These results demonstrate that large die-offs, such as mass mortality events, can have long-lasting effects on soil composition through increased soil nutrients and alter soil microbial community (i.e., reduced Bacilliaceae, etc.). These long-lasting impacts can permanently alter the soil community, which can lead to cascading bottom-up effects that can alter the entire ecosystem structure.
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) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».