Inferring Past Trends in Lake Water Organic Carbon Concentrations in Northern Lakes Using Sediment Spectroscopy
Notice bibliographique
Résumé
Changing lake water total organic carbon (TOC) concentrations are of concern for lake management because of corresponding effects on aquatic ecosystem functioning, drinking water resources and carbon cycling between land and sea. Understanding the importance of human activities on TOC changes requires knowledge of past concentrations; however, water-monitoring data are typically only available for the past few decades, if at all. Here, we present a universal model to infer past lake water TOC concentrations in northern lakes across Europe and North America that uses visible-near-infrared (VNIR) spectroscopy on lake sediments. In the orthogonal partial least-squares model, VNIR spectra of surface-sediment samples are calibrated against corresponding surface water TOC concentrations (0.5–41 mg L –1 ) from 345 Arctic to northern temperate lakes in Canada, Greenland, Sweden and Finland. Internal model-cross-validation resulted in a R 2 of 0.57 and a prediction error of 4.4 mg TOC L –1 . First applications to lakes in southern Ontario and Scotland, which are outside of the model’s geographic range, show the model accurately captures monitoring trends, and suggests that TOC dynamics during the 20th century at these sites were primarily driven by changes in atmospheric deposition. Our results demonstrate that the lake water TOC model has multiregional applications and is not biased by postdepositional diagenesis, allowing the identification of past TOC variations in northern lakes of Europe and North America over time scales of decades to millennia.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».