Predicting mercury levels in yellow perch: use of water chemistry, trophic ecology, and spatial traits
Notice bibliographique
Résumé
Recent research suggests that wetland abundance surrounding lakes, fish trophic position, and fish community composition may influence the bioavailability of mercury (Hg) to fish. To compare the importance of these spatial and biological factors to chemical factors known to influence bioavailability, we determined the relationship between 24 lake traits and Hg concentrations in yellow perch (Perca flavescens; whole fish samples) for 43 northern Wisconsin lakes. Independent variables included biological traits such as fish trophic position and body condition, spatial traits such as lake hydrologic position and surrounding wetland abundance, and chemical traits such as pH and water color. The strongest predictor of fish Hg levels was pH (R 2 = 0.42; p < 0.002). Of the biological traits measured, yellow perch body condition explained significant additional variation (final R 2 = 0.54; p = 0.024). Trophic position explained limited variability and population abundance of planktivores and piscivores were not correlated to perch Hg levels. Regression tree models indicated that small lakes with greater than 6% wetland in their watershed have moderately elevated fish Hg levels. Our results indicate that within-lake chemistry and fish growth patterns are stronger correlates of Hg levels in yellow perch than spatial traits, trophic position, or fish community attributes.
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 | 0,001 |
| 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 ».