Mercury and water level management in lakes of northern Minnesota
Notice bibliographique
Résumé
Abstract Water level (WL) fluctuations substantially alter the fauna, flora, and microbial community of nearshore aquatic ecosystems. Water level management therefore has the potential to strongly influence a wide variety of ecosystem processes. Many northern temperate lake food webs experience substantial methylmercury contamination, which is partially mediated by the action of sulfate‐reducing bacteria occurring in sediments that are periodically inundated. For lakes with elevated methylmercury, WL management could be designed to reduce methylmercury contamination. At the lake scale, this concept is supported by studies that identified statistical associations between fish mercury content and water level (WL) fluctuations. Here, we compiled a long‐term dataset (1997–2015) of mercury content in young‐of‐year Yellow Perch ( Perca flavescens ) from six lakes on the border of the United States and Canada and examined whether mercury content was associated with WL fluctuation. Many WL metrics covary and appear to have strong associations with Yellow Perch mercury. However, these associations appear to vary by lake, and lake‐specific models are needed to identify relationships between WL fluctuation and Yellow Perch mercury content. We used partial least‐squares regression (PLSR) to identify the associations between Yellow Perch mercury content and WL metrics, temperature, and annual deposition data for lakes in northern Minnesota. These PLSR models not only showed some variation among lakes, but also supported strong associations between WL fluctuations and annual variation in Yellow Perch mercury content. The study lakes underwent a change in WL management in 2000, when winter WL minimums were increased by about 1 m in five of the six study lakes, which reduced annual WL fluctuation on those lakes. Using the PLSR models, we estimated how this change in WL management would have affected Yellow Perch mercury content. In four of the five study lakes in which annual WL fluctuation was reduced in 2000, the change in WL management likely reduced Yellow Perch mercury content, relative to the previous WL management regime.
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) | 0,005 | 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 ».