Determining the probability of cyanobacterial blooms: the application of Bayesian networks in multiple lake systems
Notice bibliographique
Résumé
A Bayesian network model was developed to assess the combined influence of nutrient conditions and climate on the occurrence of cyanobacterial blooms within lakes of diverse hydrology and nutrient supply. Physicochemical, biological, and meteorological observations were collated from 20 lakes located at different latitudes and characterized by a range of sizes and trophic states. Using these data, we built a Bayesian network to (1) analyze the sensitivity of cyanobacterial bloom development to different environmental factors and (2) determine the probability that cyanobacterial blooms would occur. Blooms were classified in three categories of hazard (low, moderate, and high) based on cell abundances. The most important factors determining cyanobacterial bloom occurrence were water temperature, nutrient availability, and the ratio of mixing depth to euphotic depth. The probability of cyanobacterial blooms was evaluated under different combinations of total phosphorus and water temperature. The Bayesian network was then applied to quantify the probability of blooms under a future climate warming scenario. The probability of the "high hazardous" category of cyanobacterial blooms increased 5% in response to either an increase in water temperature of 0.8°C (initial water temperature above 24°C) or an increase in total phosphorus from 0.01 mg/L to 0.02 mg/L. Mesotrophic lakes were particularly vulnerable to warming. Reducing nutrient concentrations counteracts the increased cyanobacterial risk associated with higher temperatures.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».