Are the landscape‐level drivers of water column and surface sediment diatoms different?
Notice bibliographique
Résumé
Summary Threats to biodiversity are fostering new collaboration between aquatic ecologists and palaeolimnologists, who have traditionally asked ecological questions on different time scales. While the differences between surface sediment and water column or snapshot sampling are well understood, less so are the consequences of comparing the predominant drivers of aquatic assemblages resulting from these two types of sampling. Using diatom data from the 2007 USEPA National Lakes Assessment (NLA) program (468 lakes), we compared the main environmental and spatial drivers of diatom community composition between samples derived from the water column and surface sediments. We hypothesised that, in explaining community variation across the conterminous United States, the effect of environment would be stronger in diatom assemblages preserved in surface sediments because of the inclusion of benthic members and temporal integration. We used a combination of ordination overlays and variation partitioning to examine differences in community drivers between palaeolimnological (surface sediment) and water column sampling. We found that these two types of sampling were significantly correlated with respect to the drivers of community composition in addition to having congruent patterns of ordination. Congruency between sampling methods further increased when the water column data were temporally integrated and may be explained by variation in seasonally dynamic taxa. To our knowledge, this is the first study that has tested for differences in environmental structuring patterns between palaeolimnological and water column samples using such a highly replicated and landscape‐level approach. On the basis of our results, we encourage ecologists to consider the joint analysis of these two types of data sets where data are available.
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) | 0,001 | 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 ».