Regional comparisons of watershed determinants of dissolved organic carbon in temperate lakes from the Upper Great Lakes region and selected regions globally
Notice bibliographique
Résumé
We analyzed how dissolved organic carbon (DOC) concentration in lakes of the North American temperate forest (Upper Great Lakes region) is related to nine catchment characteristics (lake area, lake perimeter, drainage area, ratio of drainage area to lake area, proportion of watershed occupied by wetlands, proportion of lake perimeter in wetlands, shoreline development, elevation, and watershed slope) and compared selected relationships to those from other regions across the globe. For the temperate lakes, the proportion of the lake perimeter and the proportion of the watershed occupied by wetlands were the best predictors of DOC in both univariate ( r 2 = 0.34 and 0.30, respectively) and multivariate regression models. Forested wetlands, in particular those with coniferous vegetation, explained the largest proportion of lake DOC variability. Wetlands with scrub‐shrubs and emergent vegetation explained very little or no variability. Secondary to wetlands, lake DOC decreased with lake area and watershed slope. When we combined the temperate lake data set with that of 10 other geographical regions of the world (ranging from subtropical to tundra), the only two variables significant in predicting DOC were proportion of wetlands in the watershed ( r 2 = 0.36) and lake elevation ( r 2 = 0.34). We conclude that regional or small‐scale DOC models likely have limited applicability in predicting DOC in other geographical areas of the world.
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 ».