Quelle est la relation qui relie les traits fonctionnels agrégés de la communauté et la fertilité du sol ?
Bibliographic record
Abstract
Un objectif de l’écologie fonctionnelle est d’être capable de prédire l’assemblage des communautés en fonction de leur position le long de gradients environnementaux. C’est quelque chose qui a déjà été fait avec succès en utilisant des modèles comme CATS ou TRAITSPACE. Ces modèles ont déjà permis de faire de bonnes prédictions de l’abondance relative des espèces en fonction des valeurs de leurs traits et des traits agrégés de la communauté. Il est généralement admis par de nombreux auteurs que la fertilité du sol fait partie de ces gradients environnementaux qui vont fortement influencer la répartition des espèces et des communautés végétales. C’est pourquoi dans la littérature, il est régulièrement émis l’hypothèse qu’il existe des relations entre les traits fonctionnels agrégés par la communauté et la fertilité du sol qui s’applique à cette échelle. Ces relations entre traits et fertilité sont généralement admises et constituent la base de nombreux travaux, mais elles ne sont pas comparables entre elles et n’ont jamais pu être démontrées mathématiquement. C’est pourquoi elles ne peuvent pas être généralisées à grande échelle. L’objectif principal de mon doctorat est de tester et quantifier ces relations d’une manière comparable d’un endroit à l’autre. \nIl existe des guides communément utilisés en écologie des communautés, sur les méthodes standardisées et les protocoles à utiliser pour mesurer les traits fonctionnels de façon reproductible d’une étude à une autre. Ce n’est pas aussi simple pour mesurer la fertilité du sol. En effet, les méthodes utilisées pour le faire ont été développées pour l’agriculture, pour une espèce donnée, un climat particulier et un sol particulier. Ces méthodes, très spécifiques, ne sont pas adaptées pour caractériser la fertilité généralisée du sol qui s’applique à l’échelle de l’ensemble des espèces d’une communauté. La démarche présentée dans ce doctorat peut être décrite en trois étapes. La première étape est de développer une méthode qui permette de mesurer la fertilité généralisée. Pour le faire, nous avons utilisé les équations structurelles, en particulier le modèle de mesure de variable latente appliqué à des mesures de croissances de quatre espèces de prairies (F. rubra, T. pratense, T. aestivum, et A. thaliana) qui ont poussé dans des sols collectés dans le sud du Québec. Le modèle permet de prédire et quantifier la fertilité généralisée en utilisant la réponse des plantes de manière indépendante des caractéristiques du sol. Nous avons aussi cherché à améliorer la méthode en développant trois autres protocoles pour mesurer cette fertilité généralisée. La deuxième étape consistait à mesurer sur les mêmes sites où nous avons mesuré la fertilité, les traits fonctionnels agrégés par la communauté en utilisant les méthodes disponibles dans les guides. Cela nous a permis d’étudier les corrélations entre les mesures de fertilité que nous avons réalisées et les différents traits fonctionnels que nous avons mesurés sur le terrain au Québec. Et finalement, la troisième étape consistait à valider la méthode dans une autre région géographique. Pour cela, je suis allé sur un site étudié par le CNRS de Montpellier, dans le sud de la France où j’ai mesuré la fertilité généralisée. Nous avons ensuite pu comparer ces mesures de fertilité avec les mesures de traits fonctionnels qui avaient déjà été faites dans les études précédentes du CNRS. Cette dernière étape consistait à (i) vérifier s’il était possible de généraliser notre méthode à d’autres endroits et (ii) vérifier si les relations traits-fertilité étaient conservées entre les sites du Québec et de la France. \n \nLes résultats montrent que les réponses de croissance des quatre espèces sont fortement corrélées et que le modèle de mesure permet de quantifier la fertilité généralisée du sol. Ces mesures sont également de meilleurs prédicteurs de la production de biomasse des communautés naturelles des sites lorsqu’elles ont poussé dans les mêmes conditions environnementales que les RGR des quatre espèces ou les flux de nutriments (N, P, K). Les résultats montrent également que les mesures de traits fonctionnels sont fortement corrélées avec les mesures de fertilité généralisée et que ces corrélations sont généralement plus fortes qu’avec les mesures de nutriments du sol. La méthode a pu être appliquée au sud de la France et les relations trait-fertilité identifiées au Québec semblent se conserver là-bas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".