Predicting cold-water bleaching in corals: role of temperature, and potential integration of light exposure
Notice bibliographique
Résumé
Warm-water growth and survival of corals are constrained by a set of environmental conditions such as temperature, light, nutrient levels and salinity. Water temperatures of 1 to 2°C above the usual summer maximum can trigger a phenomenon known as coral bleaching, whereby disruption of the symbiosis between coral and dinoflagellate micro-algae, living within the coral tissue, reveals the white skeleton of coral. Anomalously cold water can also lead to coral bleaching but has been the subject of limited research. Although cold-water bleaching events are less common, they can produce similar impacts on coral reefs as warm-water events. In this study, we explored the effect of temperature and light on the likelihood of cold-water coral bleaching from 1998-2017 using available bleaching observations from the Eastern Tropical Pacific and the Florida Keys. Using satellite-derived sea surface temperature, photosynthetically available radiation and light attenuation data, cold temperature and light exposure metrics were developed and then tested against the bleaching observations using logistic regression. The results show that cold-water bleaching can be best predicted with an accumulated cold-temperature metric, i.e. ‘degree cooling weeks’, analogous to the heat stress metric ‘degree heating weeks’, with high accuracy (90%) and fewer Type I and Type II errors in comparison with other models. Although light, when also considered, improved prediction accuracy, we found that the most reliable framework for cold-water bleaching prediction may be based solely on cold-temperature exposure.
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 | 0,000 | 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 | 0,001 |
| 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 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 ».