Functional and taxonomic biogeography of phytoplankton and zooplankton communities in relation to environmental variation across the contiguous USA
Notice bibliographique
Résumé
For biomonitoring of aquatic ecosystems, the use of coarse group classifications, either taxonomic or functional, has been proposed as an alternative to more highly resolved taxonomic identification. We tested this proposition for phytoplankton and zooplankton using a pan-United States dataset, which also allows us to investigate biogeographic relationships between plankton groups and environmental variables. We used data from 1010 lakes composing the 2012 US National Lakes Assessment and compared relationships derived using genus-level, more aggregated taxonomic resolution and functional types. We examined responses nationally and by ecoregion. Differences in plankton assemblages among ecoregions were detected, especially at genus-level classification. Our analyses show a gradient of altitude and temperature influencing both phytoplankton and zooplankton, and another gradient of nutrients and anthropogenic activity influencing mostly phytoplankton. The overall variation in the planktonic communities explained by environmental variables ranged from 4 to 22%, but together indicated that aggregated taxonomic classification performed better for phytoplankton; for zooplankton, the performance of different classification types depended on the ecoregion. Our analyses also revealed linkages between particular phytoplankton and zooplankton groups, mainly attributable to similar environmental responses and trophic interactions. Overall, the results support the applicability of coarse classifications to infer general responses of plankton communities to environmental drivers.
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 | 0,002 | 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) | 0,000 | 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 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 ».