Warming combined with experimental eutrophication intensifies lake phytoplankton blooms
Notice bibliographique
Résumé
Abstract Phytoplankton blooms are a global water quality issue, and successful management depends on understanding their responses to multiple and interacting drivers, including nutrient loading and climate change. Here, we examine a long‐term dataset from Lake 227, a site subject to a fertilization experiment (1969–present) with changing nitrogen:phosphorus (N:P) ratios. We applied a process‐oriented model, MyLake, and updated the model structure with nutrient uptake kinetics that incorporated shifting N:P and competition among phytoplankton functional groups. We also tested different temperature and P‐loading scenarios to examine the interacting effects of climate change and nutrient loading on phytoplankton blooms. The model successfully reproduced lake physics over 48 yr and the timing, overall magnitude, and shifting community structure (diazotrophs vs. non‐diazotrophs) of phytoplankton blooms. Intra‐ and interannual variability was captured more accurately for the P‐only fertilization period than for the high N:P and low N:P fertilization periods, highlighting the difficulty of modeling complex blooms even in well‐studied systems. A model scenario was also run which removed climate‐driven temperature trends, allowing us to disentangle concurrent drivers of blooms. Results showed that increases in water temperature in the spring led to earlier and larger phytoplankton blooms under climate change than under the effects of nutrient fertilization alone. These findings suggest that successful lake management efforts should incorporate the effects of climate change in addition to nutrient reductions, including intensifying and/or expanding monitoring periods and incorporating climate change into uncertainty estimates around future conditions.
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) | 0,000 | 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 ».