Predicting the Partial Pressure of Carbon Dioxide in Boreal Lakes
Notice bibliographique
Résumé
Sixteen boreal lakes in northern Alberta were sampled for a suite of water chemistry parameters, including dissolved carbon dioxide (CO2), using a headspace gas analysis technique. The lakes encompassed a wide range of pH and alkalinity but had very high dissolved organic carbon (DOC) levels (11–36 mg L−1) and were supersaturated in CO2 with respect to the atmosphere. While the partial pressure of carbon dioxide (pCO2) is regularly estimated from pH and dissolved inorganic carbon (DIC), pH was related to pCO2 at only 13 of 16 lakes and overall pH in combination with DIC was a poor predictor of pCO2. Similarly, despite very high DOC levels, pCO2 was unrelated to the DOC concentration of the lakes. Stepwise multiple linear regressions improved the prediction capability for the entire data set, when compared to simple regressions. Both physicochemical (alkalinity, temperature) and landscape descriptors (lake area, peatland relative area) were important predictors of pCO2. The best regression model included lake area, peatland relative area, and water temperature, and was better able to predict pCO2 than relationships based on DOC, and pH and alkalinity, but lakes with high pCO2 (> 1000 µatm) remain under-predicted and are likely subject to additional factors controlling pCO2 that were not considered in this analysis.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 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 ».