MétaCan
Menu
Retour à la cohorte
Enregistrement W2153515614 · doi:10.4319/lo.2004.49.4.0891

Salmon‐derived mercury and nutrients in a Lake Ontario spawning stream

2004· article· en· W2153515614 sur OpenAlexaffabout
José Sarica, Marc Amyot, Landis Hare, Marie‐Renée Doyon, Les W. Stanfield

Notice bibliographique

RevueLimnology and Oceanography · 2004
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensUniversité de MontréalMinistry of Natural Resources and ForestryUniversité du Québec à MontréalInstitut National de la Recherche ScientifiqueInstitut National d'Optique
Organismes subventionnairesnon disponible
Mots-clésMethylmercuryNutrientMercury (programming language)InvertebrateEnvironmental scienceAbiotic componentOncorhynchusTributaryEnvironmental chemistrySTREAMSEcologyFisheryBiologyChemistryFish <Actinopterygii>Bioaccumulation

Résumé

récupéré en direct d'OpenAlex

We tested the hypothesis that concentrations of mercury species (Hg) and nutrients (NH4+, NO3−, P, and dissolved organic carbon) in abiotic and biotic components would be altered by the decomposition of salmon carcasses in streams. We investigated a tributary stream of Lake Ontario receiving spawning runs of Chinook salmon (Oncorhyncus tshawytscha) for 2 yr with contrasting bear activity. Stations with high carcass densities had significantly higher levels of aqueous total Hg, methylmercury (MeHg), particulate Hg, and nutrients than did stations with lower carcass densities. Hg levels in aquatic and terrestrial invertebrates feeding on carcasses increased by up to 25‐fold. In 2001, a bear removed most carcasses at the downstream station, and aqueous Hg and nutrient concentrations were significantly lower than during the preceding year, when no bear was active at that station. A preliminary budget for this stream shows that (1) salmon carcasses can be an important source of Hg and nutrients to aquatic and terrestrial food webs, and (2) terrestrial invertebrates and vertebrates can be important water‐to‐land vectors of Hg.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,321
Score d'incertitude au seuil0,647

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,220
Écart entre enseignants0,209 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2004
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLimnology and OceanographyMême sujetMercury impact and mitigation studiesTravaux en français237 207