Seasonal Turbidity Linked to Physical Dynamics in a Deep Lake Following the Catastrophic 2014 Mount Polley Mine Tailings Spill
Notice bibliographique
Résumé
Abstract The catastrophic August 2014 Mount Polley tailings spill, the second largest ever documented, sent ~18 Mm 3 of waste plunging to the bottom of the >100 m deep West Basin of Quesnel Lake, British Columbia, a critical West Coast salmon habitat. To understand the impact of the spill on the lake, including the fate of suspended solids, we examine changes in physical water properties over 11 years (2006–2017) using water column profiles, moored timeseries, and satellite imagery. Contaminated waters were initially largely confined to the hypolimnion; however, during autumn 2014 turnover, turbid waters were mixed to the surface, resulting in the clear blue lake turning bright green. Twelve months after the spill, the lake's temperature, conductivity, and turbidity temporarily returned to pre‐spill conditions; however, initiation of mine effluent discharge in late 2015 was associated with a subsequent 15 μS cm −1 conductivity increase above historic values. Importantly, a post‐spill 1–2.5 formazin turbidity unit hypolimnetic turbidity increase was observed during spring and fall turnovers of 2015–2017, which appeared to be due to resuspension of a thin layer of unconsolidated spill‐related material from the lake bed driven by large internal seiche motions. This process implies spill contaminants may be seasonally mobilized into the water column, with potentially detrimental impacts on aquatic ecology. Our findings underscore that basin‐scale physical processes, including seasonal turnover and internal seiches, must be accounted for, even in deep lakes, to understand the long‐term impact of the ever increasing number of tailings spills into aquatic ecosystems.
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 | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».