Predicting cyanobacterial dynamics in the face of global change: the importance of scale and environmental context
Notice bibliographique
Résumé
Abstract There is growing concern that harmful cyanobacterial blooms are increasing in frequency and occurrence around the world. Although nutrient enrichment is commonly identified as a key predictor of cyanobacterial abundance and dominance in freshwaters, several studies have shown that variables related to climate change can also play an important role. Based on our analysis of the literature, we hypothesized that temperature or water‐column stability will be the primary drivers of cyanobacterial abundance in stratified lakes whereas nutrients will be the stronger predictors in frequently mixing water bodies. To test this hypothesis, as well as quantify the drivers of cyanobacteria over different scales and identify interactions between nutrients and climate‐related variables, we applied linear and nonlinear mixed‐effect modeling techniques to seasonal time‐series data from multiple lakes. We first compared time series of cyanobacterial dominance to a published lake survey and found that the models were similar. Using time‐series data of cyanobacterial biomass, we identified important interactions among nutrients and climate‐related variables; dimictic basin experienced a heightened susceptibility to cyanobacterial blooms under stratified eutrophic conditions, whereas polymictic basins were less sensitive to changes in temperature or stratification. Overall, our results show that due to predictable interactions among nutrients and temperature, polymictic and dimictic lakes are expected to respond differently to future climate warming and eutrophication.
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) | 0,000 | 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 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 ».