Soil microbiomes in degraded grasslands: Assembly, function, and application
Notice bibliographique
Résumé
Abstract Grassland ecosystems are pivotal to sustaining multiple ecosystem functions and services like climate regulation, carbon sequestration, and grass production. However, the global degradation of grasslands is intensifying under the combined impacts of climate change (e.g., extreme drought) and anthropogenic activities (e.g., overgrazing). The exploration of microorganism presence and roles in degraded grasslands has achieved substantial progress. Here, we review the literature on soil microbes in degraded grasslands over the past decade, with emphasis on community response, microbial‐mediated nutrient cycling processes, and potential application for restoration. Grassland degradation diminishes soil microbial diversity by reducing resource availability, resulting in the homogenization of microbial communities. However, these effects remain controversial in the context of patchy degradation. Meanwhile, degradation typically triggers the loss of key microbial species or some functional genes, coupled with suppressed activity of nutrient cycling‐related enzymes, and may also promote certain processes like the decomposition of complex organic matter (e.g., lignin). We further evaluate current advances and limitations in microbial inoculant applications for grassland restoration. Some future directions in degraded grasslands are advocated, including plant–soil–microbe interaction analysis, degradation trend prediction using microbial dynamic data, and microbial multifunctional inoculant application. Promising restoration strategies, integrating metabolite identification and targeted microbiome modification, offer valuable pathways for future research and practical implementation under global change scenarios.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».