Leaf Tissue C:N is Modified by Growing Season and Goose Grazing Phenology in a Sub-Arctic Coastal Wetland of Western Alaska
Notice bibliographique
Résumé
There has been an advancement of spring conditions in coastal sub-arctic wetlands of the Yukon-Kuskokwim Delta. Pacific black brant (Branta bernicla nigricans) are dominant grazers in these coastal systems, and feed heavily on Carex subspathacea sedge lawns. Sedges have their highest nitrogen (N) concentration shortly following springtime emergence; however the greatest availability of N in the system occurs after hatch when nutrient demand for N by growing gosling and molting adults is greatest. We examine the influence of advanced growing season and different goose arrival times on vegetation biomass and C:N ratio. We set up fenced exclosures to control for grazing. Using a flock of captive wild brant, two plots received early, typical, late, or no grazing treatments to simulate different arrival times. To simulate an early growing season, we used fiberglass open-top chambers (OTCs) from May 1 to July 1. Half of our plots received the advanced growing treatment, while the remainder was exposed to ambient conditions. We found that grazing had a greater effect on plants than an advanced warming treatment. Early season grazing heavily reduced above- and belowground plant biomass. Plants responded to grazing by producing new leaves with higher N concentrations, lower C:N, and increased δ15N. An advanced growing season increased overall plant biomass, decreased C:N in plat tissue, and increased δ13C. While increased plant biomass might provide more forage, this might not be advantageous for geese if plants have lower N concentrations. Thus, the timing of the growing season and grazing both have important implications for C- and N-cycling and nutrient availability for geese in this system.
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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».