MétaCan
Menu
Retour à la cohorte
Enregistrement W2606673821 · doi:10.1139/as-2016-0017

Permafrost thaw lakes and ponds as habitats for abundant rotifer populations

2017· article· en· W2606673821 sur OpenAlexafffundvenueabout
Paschale Noël Bégin, Warwick F. Vincent

Notice bibliographique

RevueArctic Science · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensUniversité LavalCenter for Northern Studies
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésRotiferThermokarstZooplanktonEcologyAbundance (ecology)PermafrostSubarctic climateEnvironmental scienceWater columnBiomass (ecology)Biology

Résumé

récupéré en direct d'OpenAlex

Thermokarst lakes and ponds were sampled across a range of permafrost landscapes in subarctic Québec (Nunavik, Canada) to compare their rotifer and other zooplankton characteristics with a set of rock-basin lakes and ponds in the region. A total of 24 rotifer species were identified, with an average of seven taxa per waterbody. Rotifer abundance was an order of magnitude higher in the thaw ponds than in rock-basin waters. In some thaw ponds, rotifers accounted for >50% of the total zooplankton biomass, but for <10% in all of the rock-basin waters. Neither α- nor β-diversity was significantly different between the two waterbody types. Grazing experiments with microspheres (0.5–6 µm diameter) showed that medium-sized particles (2–3 µm) were preferred to smaller and larger particles; clearance rates were <0.05% of the water column per day, implying that the rotifer populations were unlikely to be bottom-up limited by food availability. Rotifer abundance was negatively correlated with cladoceran densities, suggesting possible interference effects. Chaoborus larvae were also present and may exert a top-down control. Thermokarst ponds are currently favorable environments for rotifers, but the rapid change they have begun to experience brings uncertainty about their ongoing capacity to sustain these prolific communities.

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 enseignants0,383
Score d'incertitude au seuil0,761

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
Bibliométrie0,0010,001
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)0,0020,000

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 Opus0,038
Tête enseignante GPT0,281
Écart entre enseignants0,243 · 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

Citations33
Publié2017
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueArctic ScienceMême sujetMarine and coastal ecosystemsTravaux en français237 207