Predicting coastal eutrophication in the Baltic: a limnological approach
Notice bibliographique
Résumé
Coastal eutrophication is a key environmental concern in Finland. A highly indented, well-settled coastline with a myriad of small estuaries means that eutrophication occurs at numerous localities. There is a clear need for general models that predict eutrophication across estuaries. Lake eutrophication has been successfully predicted using a combination of chlorophyll a (Chl) - total phosphorus (TP) regression models and TP mass-balance models. We applied this limnological approach to 19 Finnish estuaries. The Chl-TP regression was highly significant, accounting for 67% of the variation in Chl. When combined with a TP mass-balance equation, log observed and predicted Chl differed by 28% on average. Accuracy was improved by dividing the estuaries into those dominated by non-point-source (NPS) loading (n = 11) and those dominated by point-source (PS) loading (n = 7). A land-use regression model based on percentage of the catchment forested and estuarine mean depth then best predicted Chl in the NPS-dominated estuaries. The mass-balance approach remained the most accurate model for the PS estuaries. The land-use model and mass-balance approach are complementary tools in that their use maximizes accuracy for both NPS- and PS-dominated estuaries. This high level of accuracy demonstrates the relevance of limnological approaches to Finnish estuaries.
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 | 0,001 | 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 ».