Vegetation type influences particulate organic matter storage along a low Arctic vegetation gradient
Notice bibliographique
Résumé
Abstract Permafrost soils constitute a large part of the terrestrial carbon pool that is vulnerable to future climate warming. Continued warming of the low Arctic is also leading to the encroachment of large shrubs and trees into tundra ecosystems with effects on microbial community composition, organic matter cycling and physical soil parameters. To date it is still largely unknown how such vegetation shifts affect soil organic matter cycling in permafrost soils on short and long timescales. Here, we investigated differences in soil organic matter properties under graminoid tussock ( Eriophorum vaginatum ), birch shrub ( Betula glandulosa ), spruce tree ( Picea mariana ) and alder shrub ( Alnus viridis ) vegetation by density fractionation and subsequent measurements of organic carbon, total nitrogen, δ 13 C, and lignin phenol biomarker contents. Particulate organic matter constituted 1.3–11.3% of soil weight and stored between 29 and 89% of the total soil lignin, 12–60% of organic carbon and 6–40% of total nitrogen. The contribution of particulate organic matter generally decreased with soil depth. Soils under Alnus viridis showed significantly higher amounts of particulate organic matter and stored more lignin, organic carbon and total nitrogen in particulate form in all soil depths. Sites dominated by Eriophorum vaginatum exhibited higher lignin content and lower degradation state in the subsoil, which was associated with water saturation and low active layer depth. We conclude that the effect of vegetation changes on soil organic matter cycling is dependent on plant species with the encroachment of Alnus viridis shrubs potentially increasing the deposition of particulate organic matter into permafrost soils.
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) | 0,002 | 0,001 |
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 ».