Relating extremes of flow and air temperature to stream fish communities
Notice bibliographique
Résumé
ABSTRACT The disruptive potential of floods, drought, ice, and high water temperature on fishes in streams have been well documented. We examined the relationship between unexpected high flow events, low flow events coupled with low and high air temperature events, and a variety of ecological measures frequently used to quantify fish communities in streams, e.g. density. We developed a severity index to quantify concurrent extreme disturbances occurring over annual and summer periods. We anticipated that years or summers of high severity would result in changes in the fish community measures, e.g. low abundance. Despite the occurrence of severe events, there were relatively few instances of environmental severity resulting in consistent negative/positive changes in fish communities. Of the fish community measures, young‐of‐the‐year (YOY) growth was most responsive to extremes. Low flow in combination with high temperature events significantly lowered YOY growth; whereas, unexpected high flows increased growth. Unexpected high flow events were associated with a significant negative effect on fish abundance and positive effects on biomass, YOY growth, and diversity during the summer period. The predictive power of abiotic–biotic regressions from the summer time period was generally greater than that from the annual time period. We suggest that high amounts of groundwater flow into the streams may buffer the impact of extreme environmental conditions. Our methodology of measuring extremes in flow and air temperature could be implemented over much larger scales for use in long‐term monitoring impacts related to climate and land use change. Copyright © Her Majesty the Queen in Right of Canada 2012
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) | 0,001 | 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 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 ».