Seasonal and annual dynamics of litterfall
Notice bibliographique
Résumé
Long-term data of litterfall can indicate overall forest functions in forest ecosystems. We collected monthly (May – October) and annual (1981 – 2018) litterfall including leaves, twigs, bark, reproductive and miscellaneous fractions in a mixed mature Pinus koraiensis forest on Changbai Mountain in Northeast, China, across 30 years. Based on these long-term litterfall data, we analyzed the seasonal and annual variations in different litterfall fractions and their relationships with climatic factors. Climate data were obtained from the meteorological observation field (738 m above sea level) of the Changbai Mountain forest ecosystems research station, Institute of Applied Ecology, Chinese of Academy of Sciences. Both the leaf and total litterfall exhibited a strong, similar seasonal pattern, with the highest levels between September and October, and the annual litterfall had an “S-shaped” increasing pattern from 1981 – 2018. Distinct monthly and yearly fluctuations for the other litterfall fractions across the 30 years were observed. Mean monthly evapotranspiration and temperature (minimum and maximum) were the best predictors for monthly litterfall. By contrast, the models that best predicted the annual litterfall production included mean annual precipitation, and mean monthly precipitation and temperature in May and October. This unique dataset of detailed long-term litterfall dynamics has potentially major significance for enhancing our understanding on the role of climatic factors controlling forest litterfall amount and seasonality in temperate mixed mature forests.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».