Riverine transport and nutrient inputs affect phytoplankton communities in a coastal embayment
Notice bibliographique
Résumé
Abstract Rivers often transport phytoplankton to coastal embayments and introduce nutrients that can enrich coastal plankton communities. We investigated the effects of the Nottawasaga River on the nearshore (i.e. within 500 μm of shore) phytoplankton composition along a 10‐km transect of Nottawasaga Bay, Lake Huron in 2015 and 2016. Imaging flow cytometry was used to identify and enumerate algal taxa, which were resolved at sizes larger than small nanoplankton (i.e. >5 μm). Multivariate analysis (perMANOVA and redundancy analysis) and a dilution model were used to examine how nutrients and the transport of algal taxa affected community composition in the bay. Sampling stations with different percentages of river water had significantly different phytoplankton communities. Phytoplankton community composition was also strongly associated with nutrients, including total phosphorus, which also varied with the percentage of river water. The majority of the 51 phytoplankton taxa identified in 2016 had numerical abundances in the bay that could be explained simply by the dilution of incoming river water. Phytoplankton transported from the river had a higher proportion of edible‐sized cells (<30 μm), particularly in summer when colonial cyanobacteria were numerically dominant in the bay. Six taxa were more abundant than expected from the dilution of river water and included some cyanobacteria with late summer maxima. Five of the taxa that were transported from the river were less abundant than expected in the bay. Whereas impacts of fertilisation due to the characteristically higher nutrient concentration in the river are to be expected, the strong and highly correlated effects of transport within the narrow coastal band of this study largely concealed any distinct fertilisation effects. Riverine inputs may strongly influence the nearshore assemblage of phytoplankton in oligotrophic embayments in large lakes, creating hotspots for productivity, species turnover, and trophic dynamics.
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 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».