Fish movement drives spatial and temporal patterns of nutrient provisioning on coral reef patches
Notice bibliographique
Résumé
Abstract Nutrient provisioning by animals can be a major driver of primary productivity in ecosystems. Animal‐mediated nutrient sources are particularly important in nutrient‐poor systems such as coral reefs. However, aggregations of mobile animals might lead to temporal and spatial variability in local nutrient availability, which is not well understood. In this study, we quantified how patterns of fish movement and abundance influence the stability of nitrogen provisioning on Bahamian coral reefs. We empirically measured and modeled nitrogen excretion estimates for 16 coral reef fish communities and combined these measurements with fish abundance and behavioral observations to compare reef nutrient budgets on diel, monthly, and annual time scales. Diel reef nitrogen provisioning by fishes varied greatly, with diurnal rates being on average four times greater than nocturnal rates. Diurnal rates were highly variable among reefs and were driven primarily by migratory grunts (Haemulidae) resting over reefs during the day but foraging off reefs at night. At the reef scale, overall nitrogen excretion rates were correlated with grunt abundance; however, grunt abundance could not be predicted by any reef physical characteristics. Within‐reef grunt excretion rates changed little across a 4‐month period but varied significantly over two years, indicating that nutrient supply on a patch reef is not stable over long periods of time. Quantifying how nutrient provisioning on patch reefs is linked to fish activity and movement patterns and how provisioning varies on different spatial and temporal scales is important for understanding overall patterns of primary productivity on reefs.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».