Multiple Metrics of Temperature, Light, and Water Motion Drive Gradients in Eelgrass Productivity and Resilience
Notice bibliographique
Résumé
Characterizing the response of ecosystems to global climate change requires that multiple aspects of environmental change be considered simultaneously, however, it can be difficult to describe the relative importance of environmental metrics given their collinearity. Here, we present a novel framework for disentangling the complex ecological effects of environmental variability by documenting the emergent properties of eelgrass ( Zostera marina ) ecosystems across ∼225 km of the Atlantic Coast of Nova Scotia, Canada, representing gradients in temperature, light, sediment properties, and water motion, and evaluate the relative importance of different metrics characterizing these environmental conditions (e.g., means, extremes, variability on different time scales) for eelgrass bioindicators using lasso regression and commonality analysis. We found that eelgrass beds in areas that were warmer, shallower, and had low water motion had lower productivity and resilience relative to beds in deeper, cooler areas that were well flushed, and that higher temperatures lowered eelgrass tolerance to low-light conditions. There was significant variation in the importance of various metrics of temperature, light, and water motion across biological responses, demonstrating that different aspects of environmental change uniquely impact the cellular, physiological, and ecological processes underlying eelgrass productivity and resilience, and contribute synergistically to the observed ecosystem response. In particular, we identified the magnitude of temperature variability over daily and tidal cycles as an important determinant of eelgrass productivity. These results indicate that ecosystem responses are not fully resolved by analyses that only consider changes in mean conditions, and that the removal of collinear variables prior to analyses relating environmental metrics to biological change reduces the potential to detect important environmental effects. The framework we present can help to identify the conditions that promote high ecosystem function and resilience, which is necessary to inform nearshore conservation and management practices under global climate change.
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 | 0,001 |
| 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 ».