Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "[{\"affiliation\": \"Swiss Federal Institute for Forest, 
2
  "author": "[{\"affiliation\": \"Swiss Federal Institute for Forest, 
            
3
Snow and Landscape Research WSL\", \"affiliation_02\": \"\", 
3
Snow and Landscape Research WSL\", \"affiliation_02\": \"\", 
            
4
\"affiliation_03\": \"\", \"data_credit\": [\"collection\", 
4
\"affiliation_03\": \"\", \"data_credit\": [\"collection\", 
            
5
\"validation\", \"curation\", \"publication\"], \"email\": 
5
\"validation\", \"curation\", \"publication\"], \"email\": 
            
6
\"anita.risch@wsl.ch\", \"given_name\": \"Anita C.\", \"identifier\": 
6
\"anita.risch@wsl.ch\", \"given_name\": \"Anita C.\", \"identifier\": 
            
7
\"\", \"name\": \"Risch\"}, {\"affiliation\": \"Swiss Federal 
7
\"\", \"name\": \"Risch\"}, {\"affiliation\": \"Swiss Federal 
            
8
Institute for Forest, Snow and Landscape Research WSL\", 
8
Institute for Forest, Snow and Landscape Research WSL\", 
            
9
\"affiliation_02\": \"\", \"affiliation_03\": \"\", \"data_credit\": 
9
\"affiliation_02\": \"\", \"affiliation_03\": \"\", \"data_credit\": 
            
n
10
\"validation\", \"email\": \"stephan.zimmermann@wsl.ch\", 
n
10
[\"collection\", \"validation\"], \"email\": 
            
11
\"given_name\": \"Stephan\", \"identifier\": \"0000-0002-7085-0284\", 
11
\"stephan.zimmermann@wsl.ch\", \"given_name\": \"Stephan\", 
            
12
\"name\": \"Zimmermann\"}, {\"affiliation\": \"WSL\", 
12
\"identifier\": \"0000-0002-7085-0284\", \"name\": \"Zimmermann\"}, 
            
13
\"affiliation_02\": \"\", \"affiliation_03\": \"\", \"autocomplete\": 
13
{\"affiliation\": \"WSL\", \"affiliation_02\": \"\", 
            
14
\"\", \"data_credit\": \"curation\", \"email\": 
14
\"affiliation_03\": \"\", \"data_credit\": \"curation\", \"email\": 
            
15
\"martin.schuetz@wsl.ch\", \"given_name\": \"Martin\", \"identifier\": 
15
\"martin.schuetz@wsl.ch\", \"given_name\": \"Martin\", \"identifier\": 
            
n
16
\"\", \"name\": \"Sch\\u00fctz\"}]",
n
16
\"\", \"name\": \"Sch\\u00fctz\"}, {\"affiliation\": \"USDA-ARS 
            
17
Grassland, Soil, and Water Research Laboratory, Temple, TX, 76502, 
            
18
USA\", \"affiliation_02\": \"\", \"affiliation_03\": \"\", 
            
19
\"autocomplete\": \"\", \"data_credit\": \"collection\", \"email\": 
            
20
\"philip.fay@usda.gov\", \"given_name\": \"Philip A.\", 
            
21
\"identifier\": \"0000-0003-2259-5853\", \"name\": \"Fay\"}]",
            
17
  "author_email": null,
22
  "author_email": null,
            
18
  "creator_user_id": "d30dde41-6b11-44de-9191-23cdd5bda0e9",
23
  "creator_user_id": "d30dde41-6b11-44de-9191-23cdd5bda0e9",
            
19
  "date": "[{\"date\": \"2015-04-01\", \"date_type\": \"collected\", 
24
  "date": "[{\"date\": \"2015-04-01\", \"date_type\": \"collected\", 
            
20
\"end_date\": \"2016-12-31\"}]",
25
\"end_date\": \"2016-12-31\"}]",
            
21
  "doi": "10.16904/envidat.379",
26
  "doi": "10.16904/envidat.379",
            
22
  "funding": "[{\"grant_number\": \"\", \"institution\": \"WSL 
27
  "funding": "[{\"grant_number\": \"\", \"institution\": \"WSL 
            
23
internal competitive grant\", \"institution_url\": \"\"}, 
28
internal competitive grant\", \"institution_url\": \"\"}, 
            
24
{\"grant_number\": \"NSF-DEB-1042132\", \"institution\": \"National 
29
{\"grant_number\": \"NSF-DEB-1042132\", \"institution\": \"National 
            
25
Science Foundation Research Coordination Network\", 
30
Science Foundation Research Coordination Network\", 
            
26
\"institution_url\": \"\"}, {\"grant_number\": \"NSF-DEB-1234162 to 
31
\"institution_url\": \"\"}, {\"grant_number\": \"NSF-DEB-1234162 to 
            
27
Cedar Creek LTER\", \"institution\": \"Long Term Ecological Research 
32
Cedar Creek LTER\", \"institution\": \"Long Term Ecological Research 
            
28
\", \"institution_url\": \"\"}, {\"grant_number\": \"DG-0001-13\", 
33
\", \"institution_url\": \"\"}, {\"grant_number\": \"DG-0001-13\", 
            
29
\"institution\": \"Institute on the Environment\", 
34
\"institution\": \"Institute on the Environment\", 
            
30
\"institution_url\": \"\"}, {\"grant_number\": \"UID/AGR/00239/2019\", 
35
\"institution_url\": \"\"}, {\"grant_number\": \"UID/AGR/00239/2019\", 
            
31
\"institution\": \"CEF, a research unit funded by FCT, Portugal\", 
36
\"institution\": \"CEF, a research unit funded by FCT, Portugal\", 
            
32
\"institution_url\": \"\"}, {\"grant_number\": \"FZT 118, 202548816\", 
37
\"institution_url\": \"\"}, {\"grant_number\": \"FZT 118, 202548816\", 
            
33
\"institution\": \"German Research Foundation\", \"institution_url\": 
38
\"institution\": \"German Research Foundation\", \"institution_url\": 
            
34
\"\"}]",
39
\"\"}]",
            
35
  "groups": [],
40
  "groups": [],
            
36
  "id": "679bdff7-9fb3-4704-be93-8add5cb206ba",
41
  "id": "679bdff7-9fb3-4704-be93-8add5cb206ba",
            
37
  "isopen": true,
42
  "isopen": true,
            
38
  "language": "en",
43
  "language": "en",
            
39
  "license_id": "odc-odbl",
44
  "license_id": "odc-odbl",
            
40
  "license_title": "ODbL with Database Contents License (DbCL)",
45
  "license_title": "ODbL with Database Contents License (DbCL)",
            
41
  "license_url": "https://opendefinition.org/licenses/odc-odbl",
46
  "license_url": "https://opendefinition.org/licenses/odc-odbl",
            
42
  "maintainer": "{\"affiliation\": \"Swiss Federal Institute for 
47
  "maintainer": "{\"affiliation\": \"Swiss Federal Institute for 
            
43
Forest, Snow and Landscape Research WSL\", \"email\": 
48
Forest, Snow and Landscape Research WSL\", \"email\": 
            
44
\"anita.risch@wsl.ch\", \"given_name\": \"Anita C\", \"identifier\": 
49
\"anita.risch@wsl.ch\", \"given_name\": \"Anita C\", \"identifier\": 
            
45
\"\", \"name\": \"Risch\"}",
50
\"\", \"name\": \"Risch\"}",
            
46
  "maintainer_email": null,
51
  "maintainer_email": null,
            
47
  "metadata_created": "2023-02-18T03:38:29.406811",
52
  "metadata_created": "2023-02-18T03:38:29.406811",
            
t
48
  "metadata_modified": "2023-02-20T10:10:39.922652",
t
53
  "metadata_modified": "2023-02-20T10:13:54.532895",
            
49
  "name": 
54
  "name": 
            
50
drivers-of-the-microbial-metabolic-quotient-across-global-grasslands",
55
drivers-of-the-microbial-metabolic-quotient-across-global-grasslands",
            
51
  "notes": "This dataset contains all data on which the following 
56
  "notes": "This dataset contains all data on which the following 
            
52
publication below is based.\r\n\r\nPaper Citation:\r\n\r\nRisch Anita 
57
publication below is based.\r\n\r\nPaper Citation:\r\n\r\nRisch Anita 
            
53
C., Zimmermann, Stefan, Sch\u00fctz, Martin, Borer, Elizabeth T., 
58
C., Zimmermann, Stefan, Sch\u00fctz, Martin, Borer, Elizabeth T., 
            
54
Broadbent, Arthur A.D., Caldeira, Maria C., Davies, Kendi F., 
59
Broadbent, Arthur A.D., Caldeira, Maria C., Davies, Kendi F., 
            
55
Eisenhauer, Nico, Eskelinen, Anu, Fay, Philip A., Hagedorn, Frank, 
60
Eisenhauer, Nico, Eskelinen, Anu, Fay, Philip A., Hagedorn, Frank, 
            
56
Knops, Johannes M.H., Lembrechts, Jonas, J., MacDougall, Andrew S., 
61
Knops, Johannes M.H., Lembrechts, Jonas, J., MacDougall, Andrew S., 
            
57
McCulley, Rebecca L., Melbourne, Brett A., Moore, Joslin L., Power, 
62
McCulley, Rebecca L., Melbourne, Brett A., Moore, Joslin L., Power, 
            
58
Sally A., Seabloom, Eric W., Silveira, Maria L., Virtanen, Risto, 
63
Sally A., Seabloom, Eric W., Silveira, Maria L., Virtanen, Risto, 
            
59
Yahdjian, Laura, Ochoa-Hueso, Raul (accepted). Drivers of the 
64
Yahdjian, Laura, Ochoa-Hueso, Raul (accepted). Drivers of the 
            
60
microbial metabolic quotient across global grasslands. Global Ecology 
65
microbial metabolic quotient across global grasslands. Global Ecology 
            
61
and Biogeography\r\n\r\nPlease cite this paper together with the 
66
and Biogeography\r\n\r\nPlease cite this paper together with the 
            
62
citation for the datafile.\r\n\r\nThe microbial metabolic quotient 
67
citation for the datafile.\r\n\r\nThe microbial metabolic quotient 
            
63
(MMQ; mg CO2-C mg MBC-1 h-1), defined as the amount of microbial CO2 
68
(MMQ; mg CO2-C mg MBC-1 h-1), defined as the amount of microbial CO2 
            
64
respired (MR; mg CO2-C kg soil-1 h-1) per unit of microbial biomass C 
69
respired (MR; mg CO2-C kg soil-1 h-1) per unit of microbial biomass C 
            
65
(MBC; mg C kg soil-1), is a key parameter for understanding the 
70
(MBC; mg C kg soil-1), is a key parameter for understanding the 
            
66
microbial regulation of the carbon (C) cycle, including soil C 
71
microbial regulation of the carbon (C) cycle, including soil C 
            
67
sequestration. Here, we experimentally tested hypotheses about the 
72
sequestration. Here, we experimentally tested hypotheses about the 
            
68
individual and interactive effects of multiple nutrient addition 
73
individual and interactive effects of multiple nutrient addition 
            
69
(NPK+micronutrients) and herbivore exclusion on MR, MBC, and MMQ 
74
(NPK+micronutrients) and herbivore exclusion on MR, MBC, and MMQ 
            
70
across 23 sites (5 continents). Our sites encompassed a wide range of 
75
across 23 sites (5 continents). Our sites encompassed a wide range of 
            
71
edaphoclimatic conditions, thus we assessed which edaphoclimatic 
76
edaphoclimatic conditions, thus we assessed which edaphoclimatic 
            
72
variables affected MMQ the most and how they interacted with our 
77
variables affected MMQ the most and how they interacted with our 
            
73
treatments. Soils were collected in plots with established 
78
treatments. Soils were collected in plots with established 
            
74
experimental treatments. MR was assessed in a five-week laboratory 
79
experimental treatments. MR was assessed in a five-week laboratory 
            
75
incubation without glucose addition, MBC via substrate-induced 
80
incubation without glucose addition, MBC via substrate-induced 
            
76
respiration. MMQ was calculated as MR/MBC and corrected for soil 
81
respiration. MMQ was calculated as MR/MBC and corrected for soil 
            
77
temperatures (MMQsoil). Using LMMs and SEMs, we analysed how 
82
temperatures (MMQsoil). Using LMMs and SEMs, we analysed how 
            
78
edaphoclimatic characteristics and treatments interactively affected 
83
edaphoclimatic characteristics and treatments interactively affected 
            
79
MMQsoil. MMQsoil was higher in locations with higher mean annual 
84
MMQsoil. MMQsoil was higher in locations with higher mean annual 
            
80
temperature, lower water holding capacity, and soil organic C 
85
temperature, lower water holding capacity, and soil organic C 
            
81
concentration, but did not respond to our treatments across sites as 
86
concentration, but did not respond to our treatments across sites as 
            
82
neither MR nor MBC changed. We attributed this relative homeostasis to 
87
neither MR nor MBC changed. We attributed this relative homeostasis to 
            
83
our treatments to the modulating influence of edaphoclimatic 
88
our treatments to the modulating influence of edaphoclimatic 
            
84
variables. For example, herbivore exclusion, regardless of 
89
variables. For example, herbivore exclusion, regardless of 
            
85
fertilization, led to greater MMQsoil only at sites with lower soil 
90
fertilization, led to greater MMQsoil only at sites with lower soil 
            
86
organic C (<1.7%). Our results pinpoint the main variables related to 
91
organic C (<1.7%). Our results pinpoint the main variables related to 
            
87
MMQsoil across grasslands and emphasize the importance of the local 
92
MMQsoil across grasslands and emphasize the importance of the local 
            
88
edaphoclimatic conditions in controlling the response of the C cycle 
93
edaphoclimatic conditions in controlling the response of the C cycle 
            
89
to anthropogenic stressors. By testing hypotheses about MMQsoil across 
94
to anthropogenic stressors. By testing hypotheses about MMQsoil across 
            
90
global edaphoclimatic gradients, this work also helps to align the 
95
global edaphoclimatic gradients, this work also helps to align the 
            
91
conflicting results of prior studies. \r\n",
96
conflicting results of prior studies. \r\n",
            
92
  "num_resources": 1,
97
  "num_resources": 1,
            
93
  "num_tags": 7,
98
  "num_tags": 7,
            
94
  "organization": {
99
  "organization": {
            
95
    "approval_status": "approved",
100
    "approval_status": "approved",
            
96
    "created": "2018-04-20T09:51:26.756810",
101
    "created": "2018-04-20T09:51:26.756810",
            
97
    "description": "We are studying the distribution of and 
102
    "description": "We are studying the distribution of and 
            
98
interactions among producers, consumers as well as decomposers and 
103
interactions among producers, consumers as well as decomposers and 
            
99
between these communities and their environment. We focus on food webs 
104
between these communities and their environment. We focus on food webs 
            
100
in real world ecosystems and thus mainly sample our data during 
105
in real world ecosystems and thus mainly sample our data during 
            
101
experimental field campaigns. Data collection under controlled 
106
experimental field campaigns. Data collection under controlled 
            
102
conditions in the greenhouse or experimental garden are, however, 
107
conditions in the greenhouse or experimental garden are, however, 
            
103
common add-ons hereby. We are mainly interested in the functioning of 
108
common add-ons hereby. We are mainly interested in the functioning of 
            
104
natural ecosystems and often conduct research in National Parks around 
109
natural ecosystems and often conduct research in National Parks around 
            
105
the world. Our main study area is, however, the Swiss National Park. 
110
the world. Our main study area is, however, the Swiss National Park. 
            
106
While working on basic research questions, we regularly consider 
111
While working on basic research questions, we regularly consider 
            
107
applied aspects that are related to protecting or conserving 
112
applied aspects that are related to protecting or conserving 
            
108
endangered ecosystems.\r\n\r\nExamples of research question of our 
113
endangered ecosystems.\r\n\r\nExamples of research question of our 
            
109
research group assesses are:\r\n\r\nHow is species loss related to 
114
research group assesses are:\r\n\r\nHow is species loss related to 
            
110
ecosystem processes and functions? Which species or species groups are 
115
ecosystem processes and functions? Which species or species groups are 
            
111
particularly relevant for ecosystem functioning? Which effects are 
116
particularly relevant for ecosystem functioning? Which effects are 
            
112
expected with the loss of such important species groups? How are 
117
expected with the loss of such important species groups? How are 
            
113
aboveground organisms interacting with belowground organisms? Which 
118
aboveground organisms interacting with belowground organisms? Which 
            
114
abiotic and biotic conditions favor diverse ecosystems? Is global 
119
abiotic and biotic conditions favor diverse ecosystems? Is global 
            
115
change (for example eutrophication, habitat fragmentation, climate) a 
120
change (for example eutrophication, habitat fragmentation, climate) a 
            
116
thread for diverse ecosystems? How can diverse ecosystems be 
121
thread for diverse ecosystems? How can diverse ecosystems be 
            
117
protected?",
122
protected?",
            
118
    "id": "60e92a46-5f9b-4a06-a32e-6a5e04869486",
123
    "id": "60e92a46-5f9b-4a06-a32e-6a5e04869486",
            
119
    "image_url": "2018-07-10-090227.680797LogoWSL.svg",
124
    "image_url": "2018-07-10-090227.680797LogoWSL.svg",
            
120
    "is_organization": true,
125
    "is_organization": true,
            
121
    "name": "plant-animal-interactions",
126
    "name": "plant-animal-interactions",
            
122
    "state": "active",
127
    "state": "active",
            
123
    "title": "Plant-Animal Interactions",
128
    "title": "Plant-Animal Interactions",
            
124
    "type": "organization"
129
    "type": "organization"
            
125
  },
130
  },
            
126
  "owner_org": "60e92a46-5f9b-4a06-a32e-6a5e04869486",
131
  "owner_org": "60e92a46-5f9b-4a06-a32e-6a5e04869486",
            
127
  "private": false,
132
  "private": false,
            
128
  "publication": "{\"publication_year\": \"2023\", \"publisher\": 
133
  "publication": "{\"publication_year\": \"2023\", \"publisher\": 
            
129
\"EnviDat\"}",
134
\"EnviDat\"}",
            
130
  "publication_state": "pub_pending",
135
  "publication_state": "pub_pending",
            
131
  "related_datasets": "",
136
  "related_datasets": "",
            
132
  "related_publications": "Risch Anita C., Zimmermann, Stefan, 
137
  "related_publications": "Risch Anita C., Zimmermann, Stefan, 
            
133
Sch\u00fctz, Martin, Borer, Elizabeth T., Broadbent, Arthur A.D., 
138
Sch\u00fctz, Martin, Borer, Elizabeth T., Broadbent, Arthur A.D., 
            
134
Caldeira, Maria C., Davies, Kendi F., Eisenhauer, Nico, Eskelinen, 
139
Caldeira, Maria C., Davies, Kendi F., Eisenhauer, Nico, Eskelinen, 
            
135
Anu, Fay, Philip A., Hagedorn, Frank, Knops, Johannes M.H., 
140
Anu, Fay, Philip A., Hagedorn, Frank, Knops, Johannes M.H., 
            
136
Lembrechts, Jonas, J., MacDougall, Andrew S., McCulley, Rebecca L., 
141
Lembrechts, Jonas, J., MacDougall, Andrew S., McCulley, Rebecca L., 
            
137
Melbourne, Brett A., Moore, Joslin L., Power, Sally A., Seabloom, Eric 
142
Melbourne, Brett A., Moore, Joslin L., Power, Sally A., Seabloom, Eric 
            
138
W., Silveira, Maria L., Virtanen, Risto, Yahdjian, Laura, Ochoa-Hueso, 
143
W., Silveira, Maria L., Virtanen, Risto, Yahdjian, Laura, Ochoa-Hueso, 
            
139
Raul (accepted). Drivers of the microbial metabolic quotient across 
144
Raul (accepted). Drivers of the microbial metabolic quotient across 
            
140
global grasslands. Global Ecology and Biogeography",
145
global grasslands. Global Ecology and Biogeography",
            
141
  "relationships_as_object": [],
146
  "relationships_as_object": [],
            
142
  "relationships_as_subject": [],
147
  "relationships_as_subject": [],
            
143
  "resource_type": "datapaper",
148
  "resource_type": "datapaper",
            
144
  "resource_type_general": "datapaper",
149
  "resource_type_general": "datapaper",
            
145
  "resources": [
150
  "resources": [
            
146
    {
151
    {
            
147
      "cache_last_updated": null,
152
      "cache_last_updated": null,
            
148
      "cache_url": null,
153
      "cache_url": null,
            
149
      "created": "2023-02-18T03:43:03.643074",
154
      "created": "2023-02-18T03:43:03.643074",
            
150
      "description": "Study sites and experimental design\r\nWe 
155
      "description": "Study sites and experimental design\r\nWe 
            
151
collected data from 23 sites that are part of the Nutrient Network 
156
collected data from 23 sites that are part of the Nutrient Network 
            
152
Global Research Cooperative (NutNet, https://nutnet.umn.edu/). The 
157
Global Research Cooperative (NutNet, https://nutnet.umn.edu/). The 
            
153
mean annual air temperature (MAT) across these sites ranged from -4 to 
158
mean annual air temperature (MAT) across these sites ranged from -4 to 
            
154
22\u00b0C, mean annual precipitation (MAP) from 252 to 1592 mm, and 
159
22\u00b0C, mean annual precipitation (MAP) from 252 to 1592 mm, and 
            
155
elevations from 6 to 4261 m above sea level (Fig 1a, Supplementary 
160
elevations from 6 to 4261 m above sea level (Fig 1a, Supplementary 
            
156
Table S1), hence cover a wide range of climatic conditions under which 
161
Table S1), hence cover a wide range of climatic conditions under which 
            
157
grasslands occur (Fig 1b). Soil organic C concentrations ranged 
162
grasslands occur (Fig 1b). Soil organic C concentrations ranged 
            
158
between 0.8 to 7.8%, soil total N concentrations between 0.1 and 0.6%, 
163
between 0.8 to 7.8%, soil total N concentrations between 0.1 and 0.6%, 
            
159
and the soil C:N ratio between 9.1 and 21.5. Soil clay content spanned 
164
and the soil C:N ratio between 9.1 and 21.5. Soil clay content spanned 
            
160
from 3.0 to 35%, and soil pH from 3.4 to 7.6 (Supplementary Table S2). 
165
from 3.0 to 35%, and soil pH from 3.4 to 7.6 (Supplementary Table S2). 
            
161
\r\nAt each site, the effects of nutrient addition and herbivore 
166
\r\nAt each site, the effects of nutrient addition and herbivore 
            
162
exclusion were tested via a randomized-block design (Borer et al., 
167
exclusion were tested via a randomized-block design (Borer et al., 
            
163
2014). Three blocks with 10 treatment plots each were established at 
168
2014). Three blocks with 10 treatment plots each were established at 
            
164
each site, except for the site at bldr.us (only two blocks). Each of 
169
each site, except for the site at bldr.us (only two blocks). Each of 
            
165
these 10 plots was randomly assigned to a nutrient or fencing 
170
these 10 plots was randomly assigned to a nutrient or fencing 
            
166
treatment. An individual plot was 5 x 5 m, divided into four 2.5 x 2.5 
171
treatment. An individual plot was 5 x 5 m, divided into four 2.5 x 2.5 
            
167
m subplots. Each subplot was further divided into four 1 x 1 m square 
172
m subplots. Each subplot was further divided into four 1 x 1 m square 
            
168
sampling plots, one of which was set aside for soil sampling (Borer et 
173
sampling plots, one of which was set aside for soil sampling (Borer et 
            
169
al., 2014). Plots were separated by at least 1 m wide walkways. We 
174
al., 2014). Plots were separated by at least 1 m wide walkways. We 
            
170
collected soil samples from four different treatments for this study: 
175
collected soil samples from four different treatments for this study: 
            
171
(i) untreated control plots (Control), (ii) herbivore exclusion plots 
176
(i) untreated control plots (Control), (ii) herbivore exclusion plots 
            
172
(Fence), (iii) plots fertilized with N, P, K, plus nine essential 
177
(Fence), (iii) plots fertilized with N, P, K, plus nine essential 
            
173
macro and micronutrients (NPK), and (iv) plots with simultaneous 
178
macro and micronutrients (NPK), and (iv) plots with simultaneous 
            
174
fertilizer addition and herbivore exclusion (NPK+Fence). The 
179
fertilizer addition and herbivore exclusion (NPK+Fence). The 
            
175
experiments were established at different times in the past, with 
180
experiments were established at different times in the past, with 
            
176
years of treatment different among sites (2 \u2013 9 years since start 
181
years of treatment different among sites (2 \u2013 9 years since start 
            
177
of treatment; Supplementary Table S1). For the nutrient additions, all 
182
of treatment; Supplementary Table S1). For the nutrient additions, all 
            
178
sites applied 10 g N m-2 each year as time-release urea; 10 g P m-2 
183
sites applied 10 g N m-2 each year as time-release urea; 10 g P m-2 
            
179
yr-1 as triple-super phosphate; 10 g K m-2 yr-1 as potassium sulfate. 
184
yr-1 as triple-super phosphate; 10 g K m-2 yr-1 as potassium sulfate. 
            
180
A micro-nutrient mix (Fe, S, Mg, Mn, Cu, Zn, B, Mo, Ca) was applied at 
185
A micro-nutrient mix (Fe, S, Mg, Mn, Cu, Zn, B, Mo, Ca) was applied at 
            
181
100 g m-2 together with K in the first year of treatments but not 
186
100 g m-2 together with K in the first year of treatments but not 
            
182
thereafter. \r\nWe excluded large vertebrate herbivores (Fence) by 
187
thereafter. \r\nWe excluded large vertebrate herbivores (Fence) by 
            
183
fencing two plots, one with and one without NPK additions, within each 
188
fencing two plots, one with and one without NPK additions, within each 
            
184
block. The fences excluded all aboveground mammalian herbivores with a 
189
block. The fences excluded all aboveground mammalian herbivores with a 
            
185
body mass of over 50 g (Borer et al., 2014). At most sites, the fences 
190
body mass of over 50 g (Borer et al., 2014). At most sites, the fences 
            
186
were 180 cm high, and the fence contained a wire mesh (1 cm holes) for 
191
were 180 cm high, and the fence contained a wire mesh (1 cm holes) for 
            
187
the bottom 90 cm with a 30 cm outward-facing flange stapled to the 
192
the bottom 90 cm with a 30 cm outward-facing flange stapled to the 
            
188
ground to exclude burrowing animals. Climbing and subterranean animals 
193
ground to exclude burrowing animals. Climbing and subterranean animals 
            
189
may potentially still access these plots (Borer et al., 2014). For 
194
may potentially still access these plots (Borer et al., 2014). For 
            
190
slight modifications in fence design at a few sites see Supplementary 
195
slight modifications in fence design at a few sites see Supplementary 
            
191
Table S3. Most sites only had wild herbivores, although four sites 
196
Table S3. Most sites only had wild herbivores, although four sites 
            
192
were also grazed by domestic animals (Supplementary Table 
197
were also grazed by domestic animals (Supplementary Table 
            
193
S1).\r\n\r\nCollection of soil samples, soil microbial respiration, 
198
S1).\r\n\r\nCollection of soil samples, soil microbial respiration, 
            
194
microbial biomass, and other soil properties\r\nEach of the 23 sites 
199
microbial biomass, and other soil properties\r\nEach of the 23 sites 
            
195
received a package containing identical material from the Swiss 
200
received a package containing identical material from the Swiss 
            
196
Federal Institute for Forest, Snow and Landscape Research WSL, 
201
Federal Institute for Forest, Snow and Landscape Research WSL, 
            
197
Switzerland to be used for sampling (Risch et al., 2015; Risch et al., 
202
Switzerland to be used for sampling (Risch et al., 2015; Risch et al., 
            
198
2019). We collected two soil cores of 5 cm diameter and 12 cm depth in 
203
2019). We collected two soil cores of 5 cm diameter and 12 cm depth in 
            
199
each sampling plot and composited them to measure MR, MBC, and soil 
204
each sampling plot and composited them to measure MR, MBC, and soil 
            
200
chemical properties (see below). An additional sample (5 x 12 cm) was 
205
chemical properties (see below). An additional sample (5 x 12 cm) was 
            
201
collected to assess soil physical properties. This sample remained 
206
collected to assess soil physical properties. This sample remained 
            
202
within a steel sampling core after collection and both ends were 
207
within a steel sampling core after collection and both ends were 
            
203
tightly closed with plastic caps to avoid disturbance. All soils were 
208
tightly closed with plastic caps to avoid disturbance. All soils were 
            
204
shipped cooled to the laboratory at (Location will be disclosed after 
209
shipped cooled to the laboratory at (Location will be disclosed after 
            
205
manuscript acceptance) within a few days after collection. Soils were 
210
manuscript acceptance) within a few days after collection. Soils were 
            
206
sampled roughly 6 weeks prior to peak biomass at each site during 2015 
211
sampled roughly 6 weeks prior to peak biomass at each site during 2015 
            
207
and 2016.\r\nTo assess MR (CO2 production) in a laboratory incubation 
212
and 2016.\r\nTo assess MR (CO2 production) in a laboratory incubation 
            
208
experiment we weighed duplicate soil samples (8 g dry soil equivalent) 
213
experiment we weighed duplicate soil samples (8 g dry soil equivalent) 
            
209
into 50-ml Falcon tubes. No additional substrate (glucose, sugar) was 
214
into 50-ml Falcon tubes. No additional substrate (glucose, sugar) was 
            
210
added to these samples. We adjusted the soil moisture of each sample 
215
added to these samples. We adjusted the soil moisture of each sample 
            
211
to 60% field capacity. We then placed a 15 ml plastic test tube 
216
to 60% field capacity. We then placed a 15 ml plastic test tube 
            
212
(Semadeni 1701A) containing 7.25 ml 0.05 M NaOH over each soil sample. 
217
(Semadeni 1701A) containing 7.25 ml 0.05 M NaOH over each soil sample. 
            
213
The test tube was fixed with a plastic rod so that it was not in 
218
The test tube was fixed with a plastic rod so that it was not in 
            
214
contact with the soil sample. The Falcon tubes were then sealed with a 
219
contact with the soil sample. The Falcon tubes were then sealed with a 
            
215
screw cap and placed in an incubator under completely dark conditions 
220
screw cap and placed in an incubator under completely dark conditions 
            
216
at 20\u00b0C. The CO2 produced by microbial respiration was absorbed 
221
at 20\u00b0C. The CO2 produced by microbial respiration was absorbed 
            
217
by the 0.05 M NaOH. For five weeks we measured the decrease in 
222
by the 0.05 M NaOH. For five weeks we measured the decrease in 
            
218
conductivity within the 0.05 M NaOH solution on a weekly basis with a 
223
conductivity within the 0.05 M NaOH solution on a weekly basis with a 
            
219
Multimeter WTW Multi 3410 (WTW GmbH, Germany) and replaced the 0.05 M 
224
Multimeter WTW Multi 3410 (WTW GmbH, Germany) and replaced the 0.05 M 
            
220
NaOH with fresh solution. We included Falcon tubes without soil 
225
NaOH with fresh solution. We included Falcon tubes without soil 
            
221
samples in each incubation run as blanks to test if tubes were tight 
226
samples in each incubation run as blanks to test if tubes were tight 
            
222
and no CO2 could enter or escape. We calibrated the relationship 
227
and no CO2 could enter or escape. We calibrated the relationship 
            
223
between conductivity reduction and NaOH absorbed as follows: 400 ml 
228
between conductivity reduction and NaOH absorbed as follows: 400 ml 
            
224
0.05 M NaOH was placed in a beaker and its conductivity was measured 
229
0.05 M NaOH was placed in a beaker and its conductivity was measured 
            
225
with the multimeter. While stirring, air containing CO2 was blown into 
230
with the multimeter. While stirring, air containing CO2 was blown into 
            
226
the solution for approximately one minute, which reacts with NaOH to 
231
the solution for approximately one minute, which reacts with NaOH to 
            
227
form Na2CO3. After this process, conductivity was measured again. We 
232
form Na2CO3. After this process, conductivity was measured again. We 
            
228
then transferred 7.25 ml of the solution into a smaller beaker and 
233
then transferred 7.25 ml of the solution into a smaller beaker and 
            
229
added 1 ml of 0.1 M BaCl2 to precipitate Na2CO3 and then titrated the 
234
added 1 ml of 0.1 M BaCl2 to precipitate Na2CO3 and then titrated the 
            
230
solution with 0.05 M HCl to determine the remaining NaOH. We then 
235
solution with 0.05 M HCl to determine the remaining NaOH. We then 
            
231
repeated these steps with the remaining solution a total of nine times 
236
repeated these steps with the remaining solution a total of nine times 
            
232
and plotted the conductivities (y-axis) against the NaOH consumed 
237
and plotted the conductivities (y-axis) against the NaOH consumed 
            
233
(x-axis, Supplementary Fig S1). This regression line was used to infer 
238
(x-axis, Supplementary Fig S1). This regression line was used to infer 
            
234
the consumption of NaOH from the conductivity reduction in the 
239
the consumption of NaOH from the conductivity reduction in the 
            
235
incubation experiments and to calculate CO2 evolution during 
240
incubation experiments and to calculate CO2 evolution during 
            
236
incubation. In addition, we determined the optimum concentration for 
241
incubation. In addition, we determined the optimum concentration for 
            
237
the NaOH solution in series of preliminary experiments, so that the 
242
the NaOH solution in series of preliminary experiments, so that the 
            
238
concentration was not too high to become insensitive, but also not too 
243
concentration was not too high to become insensitive, but also not too 
            
239
low so that not all NaOH reacts during incubation. We then calculated 
244
low so that not all NaOH reacts during incubation. We then calculated 
            
240
MR (mg CO2-C kg dry soil-1 h-1) as total amount of CO2 released over 
245
MR (mg CO2-C kg dry soil-1 h-1) as total amount of CO2 released over 
            
241
the 5 weeks divided by the duration of the entire incubation in 
246
the 5 weeks divided by the duration of the entire incubation in 
            
242
hrs.\r\nSoil microbial biomass carbon (MBC; mg C kg soil-1 ) was 
247
hrs.\r\nSoil microbial biomass carbon (MBC; mg C kg soil-1 ) was 
            
243
measured at the beginning of the experiment by measuring the maximal 
248
measured at the beginning of the experiment by measuring the maximal 
            
244
respiratory response to the addition of glucose solution (4 mg glucose 
249
respiratory response to the addition of glucose solution (4 mg glucose 
            
245
per g soil dry weight dissolved in distilled water; substrate-induced 
250
per g soil dry weight dissolved in distilled water; substrate-induced 
            
246
respiration method) on approximately 5.5 g of soil (J. P. E. Anderson 
251
respiration method) on approximately 5.5 g of soil (J. P. E. Anderson 
            
247
& Domsch, 1978; Nico Eisenhauer et al., 2018; Scheu, 1992). For this 
252
& Domsch, 1978; Nico Eisenhauer et al., 2018; Scheu, 1992). For this 
            
248
purpose we used an O2-micro-compensation apparatus (Scheu, 1992). More 
253
purpose we used an O2-micro-compensation apparatus (Scheu, 1992). More 
            
249
specifically, substrate-induced respiration was calculated from the 
254
specifically, substrate-induced respiration was calculated from the 
            
250
respiratory response to D-glucose for 10 hr at 20\u00b0C. Glucose was 
255
respiratory response to D-glucose for 10 hr at 20\u00b0C. Glucose was 
            
251
added according to preliminary studies to saturate the catabolic 
256
added according to preliminary studies to saturate the catabolic 
            
252
enzymes of microorganisms (4 mg g soil-1 dissolved in 400 ml deionized 
257
enzymes of microorganisms (4 mg g soil-1 dissolved in 400 ml deionized 
            
253
water). The mean of the lowest three readings within the first 10 hrs 
258
water). The mean of the lowest three readings within the first 10 hrs 
            
254
(between the initial peak caused by disturbing the soil and the peak 
259
(between the initial peak caused by disturbing the soil and the peak 
            
255
caused by microbial growth) was taken as maximum initial respiratory 
260
caused by microbial growth) was taken as maximum initial respiratory 
            
256
response (MIRR; ml O2 kg soil-1 h-1) and microbial biomass (mg C kg 
261
response (MIRR; ml O2 kg soil-1 h-1) and microbial biomass (mg C kg 
            
257
soil-1) was calculated as 38 x MIRR (Beck et al., 1997; Cesarz et al., 
262
soil-1) was calculated as 38 x MIRR (Beck et al., 1997; Cesarz et al., 
            
258
2022; Thakur et al., 2015).\r\nThe rest of the composited sample was 
263
2022; Thakur et al., 2015).\r\nThe rest of the composited sample was 
            
259
dried at 65\u00b0C for 48 h, ground and sieved (2 mm mesh) to assess 
264
dried at 65\u00b0C for 48 h, ground and sieved (2 mm mesh) to assess 
            
260
the soil pH, mineral soil total C and N and C:N ratio, and mineral 
265
the soil pH, mineral soil total C and N and C:N ratio, and mineral 
            
261
soil organic C (Risch et al., 2019). The undisturbed sample was used 
266
soil organic C (Risch et al., 2019). The undisturbed sample was used 
            
262
to assess water holding capacity (WHC), bulk density (BD), and soil 
267
to assess water holding capacity (WHC), bulk density (BD), and soil 
            
263
texture [sand, silt, clay; methods in (Risch et al., 2019)]. We used 
268
texture [sand, silt, clay; methods in (Risch et al., 2019)]. We used 
            
264
the percentage of sand and clay as an indicator of soil texture in 
269
the percentage of sand and clay as an indicator of soil texture in 
            
265
this study. MAT (\u00b0C), MAP (mm) and temperature of the wettest 
270
this study. MAT (\u00b0C), MAP (mm) and temperature of the wettest 
            
266
quarter (\u00b0C) were obtained from www.worldclim.com (Fick & 
271
quarter (\u00b0C) were obtained from www.worldclim.com (Fick & 
            
267
Hijmans, 2017; Hijmans, Cameron, Parra, Jones, & Jarvis, 2005). These 
272
Hijmans, 2017; Hijmans, Cameron, Parra, Jones, & Jarvis, 2005). These 
            
268
variables were selected as they were found to be drivers of soil 
273
variables were selected as they were found to be drivers of soil 
            
269
nutrient processes across these sites in earlier studies (Risch et 
274
nutrient processes across these sites in earlier studies (Risch et 
            
270
al., 2020; Risch et al., 2019). Mean annual soil temperatures (MAST; 
275
al., 2020; Risch et al., 2019). Mean annual soil temperatures (MAST; 
            
271
\u00b0C) for the 0 to 5 cm soil layer were obtained for each site from 
276
\u00b0C) for the 0 to 5 cm soil layer were obtained for each site from 
            
272
the SoilTemp maps (J. Lembrechts et al., 2021; J. J. Lembrechts et 
277
the SoilTemp maps (J. Lembrechts et al., 2021; J. J. Lembrechts et 
            
273
al., 2022), global gridded modelled products of soil bioclimatic 
278
al., 2022), global gridded modelled products of soil bioclimatic 
            
274
variables for the 1979-2013 period at a 1-km\u00b2 resolution, based 
279
variables for the 1979-2013 period at a 1-km\u00b2 resolution, based 
            
275
on CHELSA, ERA5 and in-situ soil temperature 
280
on CHELSA, ERA5 and in-situ soil temperature 
            
276
measurements.\r\nNumerical calculations and statistical analyses\r\nWe 
281
measurements.\r\nNumerical calculations and statistical analyses\r\nWe 
            
277
calculated MMQ as MR/MBC. We corrected this measure using the average 
282
calculated MMQ as MR/MBC. We corrected this measure using the average 
            
278
soil temperature of each site (MMQsoil). This temperature correction 
283
soil temperature of each site (MMQsoil). This temperature correction 
            
279
is necessary as incubation temperatures are usually much higher than 
284
is necessary as incubation temperatures are usually much higher than 
            
280
site mean annual soil temperatures (see Xu et al. 2017). MMQsoil = MMQ 
285
site mean annual soil temperatures (see Xu et al. 2017). MMQsoil = MMQ 
            
281
x Q10(MAST \u2013 20)/10, where Q10 was assumed to be 2 (Xu et al. 
286
x Q10(MAST \u2013 20)/10, where Q10 was assumed to be 2 (Xu et al. 
            
282
2017). See Supplementary Fig S2 for comparison of air and soil 
287
2017). See Supplementary Fig S2 for comparison of air and soil 
            
283
temperatures across the 23 sites as well as the incubation 
288
temperatures across the 23 sites as well as the incubation 
            
284
temperature. \r\nSome of the explanatory variables (clay, soil organic 
289
temperature. \r\nSome of the explanatory variables (clay, soil organic 
            
285
C, C:N ratio) were skewed and were thus log-transformed prior to 
290
C, C:N ratio) were skewed and were thus log-transformed prior to 
            
286
analyses. All continuous explanatory variables were centred and scaled 
291
analyses. All continuous explanatory variables were centred and scaled 
            
287
to have a mean of zero and variance of one. To avoid collinearity 
292
to have a mean of zero and variance of one. To avoid collinearity 
            
288
between them we filtered them using correlation analysis 
293
between them we filtered them using correlation analysis 
            
289
(Supplementary Fig S3). From the variables that were strongly 
294
(Supplementary Fig S3). From the variables that were strongly 
            
290
correlated (Pearson\u2019s |r| > 0.70) (Dormann et al., 2013), we 
295
correlated (Pearson\u2019s |r| > 0.70) (Dormann et al., 2013), we 
            
291
selected the ones that allowed us to minimize the number of variables 
296
selected the ones that allowed us to minimize the number of variables 
            
292
(Supplementary Fig S3). Specifically, soil total N concentration, soil 
297
(Supplementary Fig S3). Specifically, soil total N concentration, soil 
            
293
total C concentration, soil sand content and soil bulk density were 
298
total C concentration, soil sand content and soil bulk density were 
            
294
dropped from the dataset. We then assessed how these edaphoclimatic 
299
dropped from the dataset. We then assessed how these edaphoclimatic 
            
295
variables are related to MMQ across our global grasslands.\r\nFor 
300
variables are related to MMQ across our global grasslands.\r\nFor 
            
296
this, we used linear mixed effects models (LMMs) fitted by maximum 
301
this, we used linear mixed effects models (LMMs) fitted by maximum 
            
297
likelihood with the lme function in the nlme package (version 3.1-153) 
302
likelihood with the lme function in the nlme package (version 3.1-153) 
            
298
(Pinheiro, Bates, DebRoy, & Sarkar, 2021) in R version 3.6.3. (R Core 
303
(Pinheiro, Bates, DebRoy, & Sarkar, 2021) in R version 3.6.3. (R Core 
            
299
Team, 2019). We used treatment as a fixed effect and plot nested in 
304
Team, 2019). We used treatment as a fixed effect and plot nested in 
            
300
site as random effects to assess treatment differences in MMQsoil, as 
305
site as random effects to assess treatment differences in MMQsoil, as 
            
301
well as MR, and MBC. The number of years since the treatment started 
306
well as MR, and MBC. The number of years since the treatment started 
            
302
was included as a fixed effect in all the initial models but was not 
307
was included as a fixed effect in all the initial models but was not 
            
303
significant and therefore not retained in the models. To assess how 
308
significant and therefore not retained in the models. To assess how 
            
304
differences in MMQsoil were affected by environmental factors (soil, 
309
differences in MMQsoil were affected by environmental factors (soil, 
            
305
climatic properties) we again used LMMs. Soil and climatic properties 
310
climatic properties) we again used LMMs. Soil and climatic properties 
            
306
were included as fixed effects and plot nested in site as random 
311
were included as fixed effects and plot nested in site as random 
            
307
effects. We did not include interactions between environmental 
312
effects. We did not include interactions between environmental 
            
308
variables. We then used the MuMin package (Barton, 2018) (version 
313
variables. We then used the MuMin package (Barton, 2018) (version 
            
309
1.42.1) to select the best models that explained the most variation 
314
1.42.1) to select the best models that explained the most variation 
            
310
based on Akaike\u2019s information criterion (AIC; model.avg 
315
based on Akaike\u2019s information criterion (AIC; model.avg 
            
311
function). We used the corrected AIC (AICc) to account for our small 
316
function). We used the corrected AIC (AICc) to account for our small 
            
312
sample size and selected the top models that fell within 4 AICc units 
317
sample size and selected the top models that fell within 4 AICc units 
            
313
(delta AICc < 4) (Burnham & Anderson, 2002; Johnson & Omland, 2004). 
318
(delta AICc < 4) (Burnham & Anderson, 2002; Johnson & Omland, 2004). 
            
314
We present all our top models rather than model averages. Conditional 
319
We present all our top models rather than model averages. Conditional 
            
315
averages are provided in the Supplementary material. \r\nBased on 
320
averages are provided in the Supplementary material. \r\nBased on 
            
316
findings from analyses described above and the literature, we 
321
findings from analyses described above and the literature, we 
            
317
developed a conceptual model of direct and indirect relationships 
322
developed a conceptual model of direct and indirect relationships 
            
318
between both edaphoclimatic variables and experimental treatments 
323
between both edaphoclimatic variables and experimental treatments 
            
319
(Supplement Figure S4) to obtain a more holistic approach in 
324
(Supplement Figure S4) to obtain a more holistic approach in 
            
320
understanding how these properties affect MMQsoil. We had data from 23 
325
understanding how these properties affect MMQsoil. We had data from 23 
            
321
sites with 272 observations. We tested this model using structural 
326
sites with 272 observations. We tested this model using structural 
            
322
equation modelling based on a d-sep approach (Lefcheck, 2016; Shipley, 
327
equation modelling based on a d-sep approach (Lefcheck, 2016; Shipley, 
            
323
2009). We considered those environmental drivers that were included in 
328
2009). We considered those environmental drivers that were included in 
            
324
our top LMMs, namely temperature of the wettest quarter (T.q.wet), 
329
our top LMMs, namely temperature of the wettest quarter (T.q.wet), 
            
325
soil pH, water holding capacity (WHC) and soil organic C (organic C; 
330
soil pH, water holding capacity (WHC) and soil organic C (organic C; 
            
326
Supplementary Figure S4). These factors were allowed to directly 
331
Supplementary Figure S4). These factors were allowed to directly 
            
327
affect MMQsoil, and via their interactions with treatments. In 
332
affect MMQsoil, and via their interactions with treatments. In 
            
328
addition, treatments were allowed to directly affect MMQsoil. 
333
addition, treatments were allowed to directly affect MMQsoil. 
            
329
Treatments were included as dummy variables in the model. We tested 
334
Treatments were included as dummy variables in the model. We tested 
            
330
our conceptual model (Supplementary Fig S4) using the piecewiseSEM 
335
our conceptual model (Supplementary Fig S4) using the piecewiseSEM 
            
331
package (version 2.0.2; Lefcheck, 2016) in R 3.4.0, in which a 
336
package (version 2.0.2; Lefcheck, 2016) in R 3.4.0, in which a 
            
332
structured set of linear models are fitted individually. This approach 
337
structured set of linear models are fitted individually. This approach 
            
333
allowed us to account for the nested experimental design, and overcome 
338
allowed us to account for the nested experimental design, and overcome 
            
334
some of the limitations of standard structural equation models, such 
339
some of the limitations of standard structural equation models, such 
            
335
as small sample sizes (Lefcheck, 2016; Shipley, 2009). We used the lme 
340
as small sample sizes (Lefcheck, 2016; Shipley, 2009). We used the lme 
            
336
function of the nlme package to model response variables, including 
341
function of the nlme package to model response variables, including 
            
337
site as a random factor. Good fit of the SEM was assumed when 
342
site as a random factor. Good fit of the SEM was assumed when 
            
338
Fisher\u2019s C values were non-significant (p > 0.05). For all 
343
Fisher\u2019s C values were non-significant (p > 0.05). For all 
            
339
significant interactions between soil or climate variables and 
344
significant interactions between soil or climate variables and 
            
340
treatments detected in the SEMs, we calculated treatment effect sizes, 
345
treatments detected in the SEMs, we calculated treatment effect sizes, 
            
341
i.e., the differences in MMQsoil between Control and treatments as log 
346
i.e., the differences in MMQsoil between Control and treatments as log 
            
342
response ratios (LRR) and plotted these values against the climate or 
347
response ratios (LRR) and plotted these values against the climate or 
            
343
soil factors. The LRR were defined as log(Control/Treatment), where 
348
soil factors. The LRR were defined as log(Control/Treatment), where 
            
344
treatment was either Fence, NPK or NPK+Fence. To assess which of the 
349
treatment was either Fence, NPK or NPK+Fence. To assess which of the 
            
345
LRR-climate or soil property relationships were significant we again 
350
LRR-climate or soil property relationships were significant we again 
            
346
used LMMs, in which soil and climatic properties were included as 
351
used LMMs, in which soil and climatic properties were included as 
            
347
fixed effects and plot nested in site as random effects. \r\n",
352
fixed effects and plot nested in site as random effects. \r\n",
            
348
      "doi": "",
353
      "doi": "",
            
349
      "format": ".xlsx",
354
      "format": ".xlsx",
            
350
      "hash": "",
355
      "hash": "",
            
351
      "id": "1d2ce620-f7d6-4408-bf61-df123c0936e0",
356
      "id": "1d2ce620-f7d6-4408-bf61-df123c0936e0",
            
352
      "last_modified": "2023-02-18T04:43:07.514444",
357
      "last_modified": "2023-02-18T04:43:07.514444",
            
353
      "metadata_modified": "2023-02-18T03:43:07.860695",
358
      "metadata_modified": "2023-02-18T03:43:07.860695",
            
354
      "mimetype": null,
359
      "mimetype": null,
            
355
      "mimetype_inner": null,
360
      "mimetype_inner": null,
            
356
      "name": "Risch et al. GEB_data.xlsx",
361
      "name": "Risch et al. GEB_data.xlsx",
            
357
      "package_id": "679bdff7-9fb3-4704-be93-8add5cb206ba",
362
      "package_id": "679bdff7-9fb3-4704-be93-8add5cb206ba",
            
358
      "position": 0,
363
      "position": 0,
            
359
      "publication_state": "",
364
      "publication_state": "",
            
360
      "resource_size": "{\"size_value\": \"\", \"size_units\": 
365
      "resource_size": "{\"size_value\": \"\", \"size_units\": 
            
361
\"kb\"}",
366
\"kb\"}",
            
362
      "resource_type": null,
367
      "resource_type": null,
            
363
      "restricted": "{\"level\": \"public\", \"allowed_users\": \"\", 
368
      "restricted": "{\"level\": \"public\", \"allowed_users\": \"\", 
            
364
\"shared_secret\": \"\"}",
369
\"shared_secret\": \"\"}",
            
365
      "size": 110080,
370
      "size": 110080,
            
366
      "state": "active",
371
      "state": "active",
            
367
      "url": 
372
      "url": 
            
368
ce620-f7d6-4408-bf61-df123c0936e0/download/risch-et-al.-geb_data.xls",
373
ce620-f7d6-4408-bf61-df123c0936e0/download/risch-et-al.-geb_data.xls",
            
369
      "url_type": "upload"
374
      "url_type": "upload"
            
370
    }
375
    }
            
371
  ],
376
  ],
            
372
  "spatial": 
377
  "spatial": 
            
373
144.140625,-25.630963807817977],[-148.359375,-25.630963807817977]]]}",
378
144.140625,-25.630963807817977],[-148.359375,-25.630963807817977]]]}",
            
374
  "spatial_info": "worldwide",
379
  "spatial_info": "worldwide",
            
375
  "state": "active",
380
  "state": "active",
            
376
  "subtitle": "",
381
  "subtitle": "",
            
377
  "tags": [
382
  "tags": [
            
378
    {
383
    {
            
379
      "display_name": "ANTHROPOGENIC MANAGEMENT",
384
      "display_name": "ANTHROPOGENIC MANAGEMENT",
            
380
      "id": "aaa17ebf-8bc8-4a00-bded-562d08c10a42",
385
      "id": "aaa17ebf-8bc8-4a00-bded-562d08c10a42",
            
381
      "name": "ANTHROPOGENIC MANAGEMENT",
386
      "name": "ANTHROPOGENIC MANAGEMENT",
            
382
      "state": "active",
387
      "state": "active",
            
383
      "vocabulary_id": null
388
      "vocabulary_id": null
            
384
    },
389
    },
            
385
    {
390
    {
            
386
      "display_name": "CLIMATE",
391
      "display_name": "CLIMATE",
            
387
      "id": "5a33b7dc-dca1-42c3-8651-9d00b5428823",
392
      "id": "5a33b7dc-dca1-42c3-8651-9d00b5428823",
            
388
      "name": "CLIMATE",
393
      "name": "CLIMATE",
            
389
      "state": "active",
394
      "state": "active",
            
390
      "vocabulary_id": null
395
      "vocabulary_id": null
            
391
    },
396
    },
            
392
    {
397
    {
            
393
      "display_name": "HERBIVORE EXCLUSION",
398
      "display_name": "HERBIVORE EXCLUSION",
            
394
      "id": "f2021f0d-d563-4f9c-a24f-1acebac60b92",
399
      "id": "f2021f0d-d563-4f9c-a24f-1acebac60b92",
            
395
      "name": "HERBIVORE EXCLUSION",
400
      "name": "HERBIVORE EXCLUSION",
            
396
      "state": "active",
401
      "state": "active",
            
397
      "vocabulary_id": null
402
      "vocabulary_id": null
            
398
    },
403
    },
            
399
    {
404
    {
            
400
      "display_name": "MICROBIAL BIOMASS CARBON",
405
      "display_name": "MICROBIAL BIOMASS CARBON",
            
401
      "id": "edd64a11-276e-4acf-b063-0370c63ee135",
406
      "id": "edd64a11-276e-4acf-b063-0370c63ee135",
            
402
      "name": "MICROBIAL BIOMASS CARBON",
407
      "name": "MICROBIAL BIOMASS CARBON",
            
403
      "state": "active",
408
      "state": "active",
            
404
      "vocabulary_id": null
409
      "vocabulary_id": null
            
405
    },
410
    },
            
406
    {
411
    {
            
407
      "display_name": "MICROBIAL RESPIRATION",
412
      "display_name": "MICROBIAL RESPIRATION",
            
408
      "id": "4d759529-e01f-4c61-a5a9-debb88d681d1",
413
      "id": "4d759529-e01f-4c61-a5a9-debb88d681d1",
            
409
      "name": "MICROBIAL RESPIRATION",
414
      "name": "MICROBIAL RESPIRATION",
            
410
      "state": "active",
415
      "state": "active",
            
411
      "vocabulary_id": null
416
      "vocabulary_id": null
            
412
    },
417
    },
            
413
    {
418
    {
            
414
      "display_name": "NUTRIENT ADDITION",
419
      "display_name": "NUTRIENT ADDITION",
            
415
      "id": "3e6bed69-a2b3-4036-b6d8-e5592f7cef4a",
420
      "id": "3e6bed69-a2b3-4036-b6d8-e5592f7cef4a",
            
416
      "name": "NUTRIENT ADDITION",
421
      "name": "NUTRIENT ADDITION",
            
417
      "state": "active",
422
      "state": "active",
            
418
      "vocabulary_id": null
423
      "vocabulary_id": null
            
419
    },
424
    },
            
420
    {
425
    {
            
421
      "display_name": "SOIL PROPERTIES",
426
      "display_name": "SOIL PROPERTIES",
            
422
      "id": "4730ad8f-dea2-4b33-b551-85acf1ebaac4",
427
      "id": "4730ad8f-dea2-4b33-b551-85acf1ebaac4",
            
423
      "name": "SOIL PROPERTIES",
428
      "name": "SOIL PROPERTIES",
            
424
      "state": "active",
429
      "state": "active",
            
425
      "vocabulary_id": null
430
      "vocabulary_id": null
            
426
    }
431
    }
            
427
  ],
432
  ],
            
428
  "title": "Drivers of the microbial metabolic quotient across global 
433
  "title": "Drivers of the microbial metabolic quotient across global 
            
429
grasslands",
434
grasslands",
            
430
  "type": "dataset",
435
  "type": "dataset",
            
431
  "url": null,
436
  "url": null,
            
432
  "version": "1.0"
437
  "version": "1.0"
            
433
}
438
}