Reconciling the opposing effects of warming on phytoplankton biomass in 188 large lakes
Notice bibliographique
Résumé
Lake ecosystems are deeply integrated into local and regional economies through recreation, tourism, and as sources of food and drinking water. Shifts in lake phytoplankton biomass, which are mediated by climate warming will alter these benefits with potential cascading effects on human well-being. The metabolic theory of ecology suggests that warming reduces lake phytoplankton biomass as basal metabolic costs increase, but this hypothesis has not been tested at the global scale. We use satellite-based estimates of lake surface temperature (LST) and lake surface chlorophyll-a concentration (chl-a; as a proxy for phytoplankton biomass) in 188 of the world's largest lakes from 2002-2016 to test for interannual associations between chl-a and LST. In contrast to predictions from metabolic ecology, we found that LST and chl-a were positively correlated in 46% of lakes (p < 0.05). The associations between LST and chl-a depended on lake trophic state; warming tended to increase chl-a in phytoplankton-rich lakes and decrease chl-a in phytoplankton-poor lakes. We attribute the opposing responses of chl-a to LST to the effects of temperature on trophic interactions, and the availability of resources to phytoplankton. These patterns provide insights into how climate warming alters lake ecosystems on which millions of people depend for their livelihoods.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».