MétaCan
Menu
Retour à la cohorte
Enregistrement W2805020085 · doi:10.1029/2018gl077219

Nitrogen and Phosphorus Loads to Temperate Seepage Lakes Associated With Allochthonous Dissolved Organic Carbon Loads

2018· article· en· W2805020085 sur OpenAlexaff
Jessica R. Corman, Brittni L. Bertolet, Nora J. Casson, Stephen D. Sebestyen, Randall K. Kolka, Emily H. Stanley

Notice bibliographique

RevueGeophysical Research Letters · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensUniversity of Winnipeg
Organismes subventionnairesNorthern Research StationU.S. Department of AgricultureU.S. Forest ServiceNational Science Foundation
Mots-clésDissolved organic carbonNutrientEnvironmental sciencePhosphorusWatershedOrganic matterLeaching (pedology)Temperate climateNitrogenNutrient cycleEnvironmental chemistryHydrology (agriculture)Total organic carbonWater qualityEcologySoil waterSoil scienceGeologyChemistryBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Terrestrial loads of dissolved organic matter (DOM) have increased in recent years in many north temperate lakes. While much of the focus on the “browning” phenomena has been on its consequences for carbon cycling, much less is known about how it influences nutrient loading to lakes. We characterize potential loads of nitrogen and phosphorus to seepage lakes in northern Wisconsin, USA, based on a laboratory soil leaching experiment and a model that includes landscape cover and watershed area. In these seepage lakes, nutrient concentrations are positively correlated with dissolved organic carbon concentrations (nitrogen: r = 0.68, phosphorus: r = 0.54). Using long‐term records of browning, we found that dissolved organic matter‐associated nutrient loadings may have resulted in substantial increases in nitrogen and phosphorus in seepage lakes and could account for currently observed nutrient concentrations in the lake. “Silent” nutrient loadings to brown‐water lakes may lead to future water‐quality concerns.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,274
Score d'incertitude au seuil0,719

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,013
Tête enseignante GPT0,248
Écart entre enseignants0,236 · 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 tête enseignante, 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

Citations59
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetSoil and Water Nutrient DynamicsTravaux en français237 207