Influence of water-level disturbances on the performance of ecological indices for assessing human disturbance: A case study of Georgian Bay coastal wetlands
Notice bibliographique
Résumé
In this study, we compare the performance of three ecological indicators (Water Quality Index (WQI), Wetland Macrophyte Index (WMI) and Wetland Fish Index (WFI)), to assess the impact of human activities on ecosystem health of coastal marshes in eastern and northern Georgian Bay (Lake Huron) over two decades (1999–2019), when there had been a minor change in human population (increase of 7%), but a marked difference in the pattern of water-level fluctuations. Lake Huron-Michigan is known to have 8 and 12-year oscillations in water levels, but between 1999 and 2019, water levels remained 0.5 m below the long-term mean for 14 years, and then abruptly rose nearly 1 m, remaining high for the next five years. We compared index scores of wetlands surveyed during 2003–2013 (Period 1; low-water years) with those surveyed during 2014–2019 (Period 2; high-water years). In Wilcoxon signed rank pairwise comparisons, mean WQI scores increased significantly from 1.50 to 1.96 between Periods 1 and 2, respectively (p < 0.0001); by contrast, WMI scores remained numerically and statistically the same (3.38 vs 3.38, p = 0.42), while WFI scores dropped slightly, but not significantly (3.65 vs 3.59, p = 0.15). We hypothesize that WQI scores increased because of diluting effects from increased volume of water in wetlands due to higher water levels. Given the unpredictable influences of climate change on the pattern of Great Lakes water levels, index scores based on water-quality variables must be cautiously interpreted when they are used to compare sites across different water-level scenarios.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».