Determining Long-Term Trends of Four Fast-Eutrophicated Lakes in China and Finland
Notice bibliographique
Résumé
Lake eutrophication has increased in pace in recent decades and has caused serious environmental problems However, the development trends have not been fully determined as it is difficult to recognize complex effects emanating from both climate and human mechanisms. China has many lakes in different trophic stages, which represent three developing stages from forest- to agriculture-, and then to urban-lake, typically in Lakes Lugu, Taibai, and Taihu. To determine long-term water quality trends, the three lakes were chosen for statistic analysis on dominant effects on the diatom-inferred nutrient changes, and to undertake dynamic modelling regarding climate-controlled nutrient changes. The results indicate the significant turning points of water quality in Lakes Lugu, Taibai and Taihu occurring in the 1990s, 1950s and 1940s respectively, which were effected from human activities by increases in tourism, farming and urbanization respectively. Water quality changes in Lakes Lugu, Taibai and Taihu captured 68.4%, 54.9%, and 86.0% of the temperature variations before the turning points. The anthropogenic impacts explained 84.0%, 96.4% and 96.0% of the water quality variations after the turning points, where the sharp change of water quality by human activity has played an accelerated effect on the gentle change of temperature. Compared with the 4 phases of water quality development in Pyhäjärvi Lake (SW Finland), Lakes Lugu and Taibai have experienced the 1st and 2nd phases, and Taihu has experienced from the 2nd to 3rd phases during the last 150 years. Phase 4 has not occurred in the three lakes, but it is a key period during the eutropication we need to pay attentions.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».