Assessing Nutrient Management Strategies to Control Harmful Algal Blooms in Lake Erie
Notice bibliographique
Résumé
Harmful algal blooms (HAB) have impaired Lake Erie’s western basin water quality since the 1960s. Drivers of HABs are still the subject of debate and are likely the result of interactions among several biotic and abiotic factors. The problem is twofold: (1) uncertainty in the specific causes of HABs leads to inapt management solutions; and (2) managing a cross-boundary watershed requires collaboration and agreement on apt solutions from multiple stakeholders as well as many U.S. states and Canadian provinces. In this study, we use Bayesian hierarchical modeling (BHM) to investigate the relationships between nitrogen (N) and phosphorus (P) and phytoplankton biomass, cyanobacterial biomass, and microcystin concentration. We used both a within-lake and an across-lake approach and examined whether the inferences from western Lake Erie differ from the ones using multiple lakes across the country. We found that while P is still the primary driver of HABs in Western Lake Erie (WLE), the great variability between stations and months suggests that even within-lake, there may not be a single relationship characterizing phosphorus effects on HABs. We also interviewed 29 stakeholders actively involved in western Lake Erie’s watershed. We analyzed the stakeholders’ values, attitudes, and policy preferences to understand their differences or similarities and their effects on management decisions. We found that although stakeholders agree on the urgency of the problem, the different opinions and preferences of each interviewee may complicate the decision-making process in a highly collaborative watershed.
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 | 0,000 |
| 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) | 0,009 | 0,001 |
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 ».