Phytoplankton in Boreal SubArctic Lakes Following Enhanced Phosphorus Loading from Forest Fire: Impacts on Species Richness, Nitrogen and Light Limitation
Notice bibliographique
Résumé
ABSTRACT Forest fire in peatland environments can cause enhanced loading of coloured compounds and of phosphorus relative to nitrogen resulting in reduced light penetration and nitrogen to phosphorus ratios in lake water. To determine the potential impacts of forest fire in peatland dominated catchments, we tested nitrogen (N), phosphorus (P) and light limitation of pelagic phytoplankton with in situ microcosms in three lakes from a Boreal SubArctic ecozone. To assess if phytoplankton assemblages were influenced by water chemistry changes following fire, phytoplankton species were identified from 10 lakes in unburnt and 10 lakes in burnt catchments. In the microcosm study, P limitation and concurrent N + P limitation of phytoplankton biomass were apparent (P « 0.01) in the two lake waters representing the range of N and P concentrations for lakes in unburnt catchments. In the lake with water representative of lakes in burnt catchments, nitrogen limitation was observed (P « 0.01). Light limitation of phytoplankton biomass was observed in microcosms from one lake in a burnt and one lake from an unburnt catchment likely due to high water colour in both lake waters (> 200 mg/L [Pt]). For the 20 surveyed lakes, phytoplankton species richness was 36% lower (P « 0.01) in lakes from burnt compared to unburnt catchments. Phytoplankton communities in all lakes in this study were dominated by cyanobacteria. Phytoplankton communities in boreal forest lakes may be particularly sensitive to catchment disturbances such as fire because changes in phosphorus and carbon loading from peatlands enhance nitrogen and light limitation.
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 ».