Long-term influence of climate and experimental eutrophication regimes on phytoplankton blooms
Notice bibliographique
Résumé
Abstract Phytoplankton blooms respond to multiple drivers, including climate change and nutrient loading. Here we examine a long-term dataset from Lake 227, a site exposed to a fertilization experiment (1969–present). Changes in nitrogen:phosphorus loading ratios (high N:P, low N:P, P-only) did not impact mean annual biomass, but blooms exhibited substantial inter- and intra-annual variability. We used a process-oriented lake model, MyLake, to successfully reproduce lake physics over 48 years and test if a P-limited model structure predicted blooms. The timing and magnitude of blooms was reproduced during the P-only period but not for the high and low N:P periods, perhaps due to N acquisition pathways not currently included in the model. A model scenario with no experimental fertilization confirmed P loading is the major driver of blooms, while a scenario that removed climate-driven temperature trends showed that increased spring temperatures have exacerbated blooms beyond the effects of fertilization alone. Significance Statement Harmful algal blooms and eutrophication are key water quality issues worldwide. Managing algal blooms is often difficult because multiple drivers, such as climate change and nutrient loading, act concurrently and potentially synergistically. Long-term datasets and simulation models allow us to parse the effects of interacting drivers of blooms. The performance of our model depended on the ratio of nitrogen to phosphorus inputs, suggesting that complex biological dynamics control blooms under variable nutrient loads. We found that blooms were dampened under a “no climate change” scenario, suggesting that the interaction of nutrient loading and increased temperature intensifies blooms. Our results highlight successes and gaps in our ability to model blooms, helping to establish future management recommendations. Data Availability Statement Data and metadata will be made available in a GitHub repository ( https://github.com/biogeochemistry/Lake-227 ). Upon manuscript acceptance, the repository will be made publicly available and a DOI will be provided. We request that data users contact the Experimental Lakes Area directly, per their data use policy ( http://www.iisd.org/ela/wp-content/uploads/2016/04/Data-Terms-And-Conditions.pdf ).
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».