Nutrients and water temperature are significant predictors of cyanobacterial biomass in a 1147 lakes data set
Notice bibliographique
Résumé
Using a ∼ 1000 lake data set that spans the entire continental United States, we applied empirical modeling approaches to quantify the relative strength of nutrients and water temperature as predictors of cyanobacterial biomass (CBB). Given that cyanobacteria possess numerous traits providing competitive advantage under warmer conditions, we hypothesized that water temperature, in addition to nutrients, is a significant predictor of CBB. Total nitrogen (TN), water temperature, and total phosphorus were all significant predictors of CBB, with TN explaining the most variance. Using multiple linear regression analysis, we found that TN and water temperature provided the best model and explained 25% of the variance in CBB. However, when the data set was divided according to basin type, these same variables explained a higher amount of the variation in deep natural lakes (33%, n = 253), whereas the least amount of variation was explained by these variables in shallow reservoirs (12%, n = 307). Competing path models on the full data set using the best variables selected by multiple linear regression show that nitrogen and temperature are indirectly linked to cyanobacteria by association with total algal biomass, which likely reflects changes in light climate and other secondary factors. Our models also indicated that temperature was linked to cyanobacteria by a direct pathway. Under a scenario of atmospheric CO2 doubling from 1990 levels (resulting in an estimated 3.3°C increase of the maximum lake surface water), we predict on average a doubling of CBB.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».