Cyanobacteria biomass in shallow eutrophic lakes is linked to the presence of iron-binding ligands
Notice bibliographique
Résumé
Iron (Fe) is an important regulator of phosphorus and nitrogen use efficiency by phytoplankton. We tested the prediction that pelagic cyanobacteria biomass in surface waters of shallow eutrophic lakes with low ferric ion concentration is linked to the presence, and potential utilization, of low molecular weight Fe-binding ligands. We sampled 30 lakes in Alberta, Canada, in 2012 for nutrients, cyanobacteria biomass, Fe-binding ligands (hydroxamates and catecholates), and toxins. Bioavailable ferric ion concentration (estimated as pFe) was significantly correlated to cyanobacteria biomass (curvilinear relationship, r2 = 0.45, P < 0.05). Nonmetric multidimensional models indicated that high cyanobacteria biomass corresponded to lakes with low ferric ion concentration (pFe ∼ 19), and regression tree analyses identified a threshold in ferric ion concentration (pFe = 22.1) that separated lakes with relatively low versus high cyanobacteria biomass. Where ferric ion concentration was low, hydroxamate-reactive compound concentration was positively correlated to cyanobacteria biomass. As the environment goes from higher to lower ferric ion concentration, the presence of cyanobacteria increases, and with further reduction of Fe, the environmental need for Fe-binding ligands becomes manifest.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».