Parsing the DOM sources using calibrated biomarkers in the San Francisco Bay Estuary
Notice bibliographique
Résumé
<p>The San Francisco Bay Estuary (SFBE) together with the Sacramento–San Joaquin River Delta is the second largest estuary in the United States and represents a highly dynamic ecosystem. From 2014 to 2016, we conducted three transects across a salinity gradient to investigate the roles of sources, hydrologic and seasonal changes on the DOM composition. Sampling started with a riverine endmember, through a vast area of marshes, wetlands, to the Golden Gate, the largest estuary in western North America. The winter transect at its maximum discharge allowed the study of DOM dynamics largely in the absence of photodegradation processes and low levels of algal production; the summer transect captured significant photodegradation and algal production; the spring transect revealed the signal of stored DOM from the snowmelt cold water flows. Multiple studies indicated that algal primary production alone cannot support the SFBE foodweb, and the wetlands could also serve to reduce DOM loadings coming off of the delta.  Hence, other sources of organic matter must be considered, including autochthonous and allochthonous DOM. Terrestrial DOM export in SFBE were revealed by dissolved lignin dynamics. Optical proxies (UV-vis and fluorescence) were also used to study the photochemical and biological transformations of DOM.</p>
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 | 0,001 |
| 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 ».