Experimental evidence that pollution with urea can degrade water quality in phosphorus‐rich lakes of the Northern Great Plains
Notice bibliographique
Résumé
Urea is the most abundant nitrogen (N) fertilizer used on agricultural soils, yet its effects on adjacent aquatic ecosystems are largely unknown. Here 21‐d, 3000‐liter mesocosm experiments were conducted monthly in a hypereutrophic lake during July–September 2007 to quantify how addition of urea might affect phytoplankton abundance, gross community composition, and algal toxicity in a phosphorus (P)‐rich lake. Repeated measures analysis of variance demonstrated that addition of sufficient urea to increase ratios of soluble N: P from ~ 15 : 1 to > 24 : 1 (by mass) also increased algal biomass (as Chlorophyll ά ) and microcystin concentrations 200–400%, as non–N 2 ‐fixing but toxic cyanobacteria ( Microcystis , Planktothrix ) and less harmful chlorophytes ( Micractinium , Oocystis ) replaced colonial N 2 ‐fixing cyanobacteria ( Anabaena , Aphanizomenon ). No significant effects of urea amendment were recorded for trials in which N: P ratios were elevated at the start of the experiment, or in which ambient light levels were reduced to 25 µmol quanta m −2 s −1 , although preliminary evidence suggests that urea addition stimulated growth of heterotrophic bacteria irrespective of light regime. Development of toxic non–N 2 ‐fixing cyanobacteria by N pollution of P‐rich lakes is consistent with findings from whole‐lake experiments and paleolimnological studies of deep lakes, and suggests that the fertilization needed to feed 3 billion more people by 2050 may create conditions in which future water quality in P‐replete regions is degraded further by urea export from farms and cities.
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 | 0,001 |
| 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 ».