A spatially explicit model of iron loading to lakes
Notice bibliographique
Résumé
Terrestrial and aquatic ecosystems are intimately linked by the export of elements from watersheds. Although export is influenced by land cover within watersheds, few models evaluate how the spatial configuration of land cover influences loading. In this study we examined spatial variation of land cover at a 10 X 10 m resolution by developing a mass balance, maximum likelihood model of lake iron (Fe) concentrations in 93 watersheds. The model estimated lake iron concentrations based on loading, within-lake processes and losses. Two models were developed. One considered loading from eight land cover types, whereas the second model included the distance of each grid cell to account for Fe losses along flow paths to the lake. In-lake production and losses were accounted for as a function of lake area, water color, and discharge. If we treated watersheds as homogeneous source areas, export was estimated as 450 mg Fe m-2 yr-1; however, in spatial models export varied from negligible to 5,400 mg Fe m-2 yr-1 based on differential loadings from eight cover types. Accounting for losses of Fe based on distance from the lake did not improve the model. Although areal export of Fe was greater from wetlands, upland forests dominate the landscape and thus accounted for on average 75% of the total Fe load. Fe losses from lakes were primarily regulated by discharge; however, water color and lake depth were also important. Overall, the analysis revealed that lake Fe concentrations are related to land cover based on strong differential Fe loadings.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».