Effects of nitrogen removal from wastewater on phytoplankton in eutrophic prairie streams
Notice bibliographique
Résumé
Abstract Biological nutrient removal (BNR) may be an effective strategy to reduce eutrophication; however, concerns remain about effects on receiving waters of removing both nitrogen (N) and phosphorus (P), rather than P alone. Phytoplankton abundance (as µg chlorophyll a/L) and community composition (as nmol biomarker pigment/L) were quantified over 6 years in two connected eutrophic streams to determine how algae and cyanobacteria varied in response to a shift from tertiary (P removal) to BNR (N and P removal) wastewater treatment. Phytoplankton were sampled biweekly at nine stations May to September and were analysed using generalised additive models (GAMs) to quantify landscape patterns of phototrophs and identify potential causal relationships both before (2010–2012) and after (2017–2019) BNR installation in 2016. Analysis with GAMs showed that 69%–79% of deviance in phytoplankton abundance and composition could be explained by date‐ and site‐specific variance in stream flow, temperature, and solute concentrations (mainly nutrients), whereas similar GAMs using only effluent N content (δ 15 N water ) as a predictor explained c . 60% of phototroph deviance. Prior to BNR, phytoplankton levels (mainly chlorophytes) increased with ‐rich effluent, whereas their abundance declined with δ 15 N after BNR (diatoms, chlorophytes). Overall, declines in total effluent release of N (67%–97%) but not P ( c . 0%) due to BNR resulted in a 52 ± 7% decline in phytoplankton abundance relative to upstream values, despite high inter‐annual variation in discharge and baseline chlorophyll a concentration. Nitrogen removal by BNR improved water quality in N‐limited ecosystems.
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) | 0,001 | 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 ».