Developing flow–ecology relationships: Implications of nonlinear biological responses for water management
Notice bibliographique
Résumé
Abstract Empirical relationships between stream flow and ecological responses (flow–ecology relationships) are essential for establishing environmental flows and evaluating tradeoffs between instream values and out‐of‐stream uses. Establishing the shape of flow–ecology relationships (i.e. slope, linearity versus nonlinearity) is particularly important to avoid crossing ecological thresholds in water management. This review focuses on ecological responses to discharge at low summer flows when out‐of‐stream water demand is often highest, and identifying ecological contexts where nonlinearities are most likely. Most physical attributes (temperature, dissolved oxygen, available habitat) and ecological responses (energy flow, fish survival, recruitment, community structure) show at least some evidence of nonlinear relationships with flow, although assumptions of linearity may be reasonable across limited discharge ranges which may include low flows. Nonlinearities are most likely in systems that are near existing thresholds (e.g. cold‐water transitional fish communities that are close to upper thermal tolerances). The probability of nonlinearities is likely to increase under future landuse and climate change scenarios, particularly in combination with other stressors, such as eutrophication, which may greatly accelerate temperature‐related decline in dissolved oxygen under climate warming. Managers need to anticipate changes in flow–ecology relationships and develop management systems that are robust to change. Field programmes to establish the slope and linearity of local flow–ecology relationships are essential for regional management, but developing generalisable flow–ecology relationships that are transferrable to regions with limited resources also needs to be a priority. Generalised relationships can be generated through meta‐analysis of empirical flow–ecology relationships, and may prove especially useful if they can capture how environmental and ecological context (channel size and morphology, landuse, flow regime, antecedent conditions, habitat or taxonomic guild) affect flow–ecology relationships. For instance, linking empirical data from flow–ecology relationships to available habitat predicted by physical habitat simulation models (e.g. PHABSIM) may provide a better mechanistic basis for modelling ecological responses, while providing much needed validation for habitat simulation approaches. This would also help bridge the gap between emerging holistic environmental flow modelling approaches and more traditional habitat simulation methods.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».