Nutrients and water temperature are significant predictors of cyanobacterial biomass in a 1147 lakes data set
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 CO 2 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.
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 découle