Biogeochemical water type influences community composition, species richness, and biomass in megadiverse Amazonian fish assemblages
Notice bibliographique
Résumé
Amazonian waters are classified into three biogeochemical categories by dissolved nutrient content, sediment type, transparency, and acidity-all important predictors of autochthonous and allochthonous primary production (PP): (1) nutrient-poor, low-sediment, high-transparency, humic-stained, acidic blackwaters; (2) nutrient-poor, low-sediment, high-transparency, neutral clearwaters; (3) nutrient-rich, low-transparency, alluvial sediment-laden, neutral whitewaters. The classification, first proposed by Alfred Russel Wallace in 1853, is well supported but its effects on fish are poorly understood. To investigate how Amazonian fish community composition and species richness are influenced by water type, we conducted quantitative year-round sampling of floodplain lake and river-margin habitats at a locality where all three water types co-occur. We sampled 22,398 fish from 310 species. Community composition was influenced more by water type than habitat. Whitewater communities were distinct from those of blackwaters and clearwaters, with community structure correlated strongly to conductivity and turbidity. Mean per-sampling event species richness and biomass were significantly higher in nutrient-rich whitewater floodplain lakes than in oligotrophic blackwater and clearwater river-floodplain systems and light-limited whitewater rivers. Our study provides novel insights into the influences of biogeochemical water type and ecosystem productivity on Earth's most diverse aquatic vertebrate fauna and highlights the importance of including multiple water types in conservation planning.
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 | 0,001 |
| 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) | 0,001 | 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 ».