MétaCan
Menu
Retour à la cohorte
Enregistrement W3024697245 · doi:10.1038/s41396-020-0680-9

Lake characteristics influence how methanogens in littoral sediments respond to terrestrial litter inputs

2020· article· en· W3024697245 sur OpenAlexaffabout
Kurt M. Yakimovich, Chloé Orland, Erik J. S. Emilson, Andrew J. Tanentzap, Nathan Basiliko, Nadia Mykytczuk

Notice bibliographique

RevueThe ISME Journal · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensNatural Resources CanadaLaurentian University
Organismes subventionnairesNERC Biomolecular Analysis FacilityNatural Environment Research CouncilResearch Councils UKSight Research UK
Mots-clésMethanogenSedimentLitterOrganic matterBiologyEutrophicationEcologyNutrientMesocosmOceanographyEnvironmental scienceMethaneGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Shallow lake sediments harbor methanogen communities that are responsible for large amounts of CH4 flux to the atmosphere. These communities play a major role in degrading in-fluxed terrestrial organic matter (t-OM)—much of which settles in shallow near-shore sediments. Little work has examined how sediment methanogens are affected by the quantity and quality of t-OM, and the physicochemical factors that shape their community. Here, we filled mesocosms with artificial lake sediments amended with different ratios and concentrations of coniferous and deciduous tree litter. We installed them in three boreal lakes near Sudbury, Canada that varied in trophic status and water clarity. We found that higher endogenous nutrient concentrations led to greater CH4 production when sediment solar irradiance was similar, but high irradiance of sediments also led to higher CH4 concentrations regardless of nutrient concentrations, possibly due to photooxidation of t-OM. Sediments with t-OM had overall higher CH4 concentrations than controls that had no t-OM, but there were no significant differences in CH4 concentrations with different t-OM compositions or increasing concentrations over 25%. Differences among lakes also explained variation in methanogen community structure, whereas t-OM treatments did not. Therefore, lake characteristics are important modulators of methanogen communities fueled by t-OM.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,087
Score d'incertitude au seuil0,777

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,222
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe ISME JournalMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207