Drivers of water quality changes within the Laurentian Great Lakes region over the past 40 years
Notice bibliographique
Résumé
Abstract Water quality of freshwater lakes within the Laurentian Great Lakes region is vulnerable to degradation owing to multiple environmental stressors including climate change, alterations in land use, and the introduction of invasive species. Our research questions were two‐fold: (1) What are the temporal patterns and trends in water quality? (2) Are climate, invasive species and lake morphology associated with changes in water quality? Our study incorporated timeseries data for at least 20 years from 36 lakes in Ontario and Wisconsin sampled between 1976 and 2016. We evaluated patterns in water quality (total phosphorus [TP], total nitrogen, dissolved organic carbon [DOC], and chlorophyll a [Chl a ]) using segmented regression analysis which identified significant breakpoints in Chl a and TP in the 1900s to mid‐2000s after which Chl a and TP began to increase, whereas breakpoints in DOC exhibited increasing trends prior to the year 2000 with levels declining afterward. Next, we examined linear trends in water quality and climate (temperature and precipitation) using Sen slope analysis where, generally, over the past 40 years, lake TP and Chl a have significantly declined, whereas DOC has increased. Lastly, we conducted a redundancy analysis (RDA) to identify how climate, lake morphology, and the presence of invasive dreissenid mussels contributed to changes in water quality. The RDA revealed that precipitation, air temperature, and morphology explained 73.1% of the variation in water quality trends for the Great Lakes whereas precipitation, temperature, morphology, and occurrence of mussels explained 45.6% of the variation for smaller inland lakes.
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 | 0,001 |
| 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 ».