MétaCan
Menu
Retour à la cohorte
Enregistrement W2602269422 · doi:10.1126/sciadv.1601765

Terrestrial support of lake food webs: Synthesis reveals controls over cross-ecosystem resource use

2017· article· en· W2602269422 sur OpenAlexaff
Andrew J. Tanentzap, Brian W. Kielstra, Grace M. Wilkinson, Martin Berggren, Nicola Craig, Paul A. del Giorgio, Jonathan Grey, John M. Gunn, Stuart E. Jones, Jan Karlsson, Christopher T. Solomon, Michael L. Pace

Notice bibliographique

RevueScience Advances · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueIsotope Analysis in Ecology
Établissements canadiensLaurentian UniversityUniversité du Québec à MontréalMcGill UniversityUniversity of British Columbia
Organismes subventionnairesNatural Environment Research CouncilSight Research UK
Mots-clésTerrestrial ecosystemEcosystemResource (disambiguation)Aquatic ecosystemEnvironmental scienceResource useEcologyTerrestrial plantEnvironmental resource managementComputer scienceBiology

Résumé

récupéré en direct d'OpenAlex

N) of lake zooplankton and the resources at the base of their associated food webs. In total, our data set spans 559 observations across 147 lakes from the boreal to subtropics. By predicting terrestrial resource support from within-lake and catchment-level characteristics, we found that half of all consumer observations that is, the median were composed of at least 42% terrestrially derived material. In general, terrestrial support of zooplankton was greatest in lakes with large physical and hydrological connections to catchments that were rich in aboveground and belowground organic matter. However, some consumers responded less strongly to terrestrial resources where within-lake production was elevated. Our study shows that multiple mechanisms drive widespread cross-ecosystem support of aquatic consumers across Northern Hemisphere lakes and suggests that changes in terrestrial landscapes will influence ecosystem processes well beyond their boundaries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,180
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,003
Communication savante0,0000,003
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,017
Tête enseignante GPT0,293
Écart entre enseignants0,276 · 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 tête enseignante, pas un consensus.

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

Citations126
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetIsotope Analysis in EcologyTravaux en français237 207