MétaCan
Menu
Retour à la cohorte
Enregistrement W4284887752 · doi:10.3390/w14132136

Filamentous Algae Blooms in a Large, Clear-Water Lake: Potential Drivers and Reduced Benthic Primary Production

2022· article· en· W4284887752 sur OpenAlexaff
Maycee Page, Tobias Goldhammer, Sabine Hilt, Scott Tolentino, Soren Brothers

Notice bibliographique

RevueWater · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAquatic Ecosystems and Phytoplankton Dynamics
Établissements canadiensRoyal Ontario Museum
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceBenthic zonePeriphytonPrimary producersLake ecosystemNutrientEcosystemAlgal bloomBiomass (ecology)Littoral zoneAlgaeOceanographyEcologyPhytoplanktonBiologyGeology

Résumé

récupéré en direct d'OpenAlex

An apparent proliferation of filamentous algal blooms (FABs) in pristine lakes around the world is a source of concern. However, little is known about the predominant drivers and effects of such FABs on lake ecosystems. We observed FABs in a large clear-water lake (Bear Lake, UT/ID, USA) and analyzed long-term lake monitoring data and algal stable isotopes for changes in climate, food webs and anthropogenic nutrient loading, respectively, as potential local drivers of FAB formation. Furthermore, we quantified in situ metabolism rates on rocks with and without FABs at two locations. Long-term monitoring data revealed increasing summer water temperatures (2009 to 2020) and decreasing winter ice cover (1923 to 2021). The FABs had δ15N values that were higher than 0 ‰, indicating a potential nutrient influx to Bear Lake from livestock or human waste. Climate change and anthropogenic nutrients may thus have facilitated FAB occurrence. Contrary to expectation, the FABs exhibited significantly lower gross primary production rates compared to low-biomass periphyton communities, indicating potentially negative effects of FAB proliferations on lake food webs. Our results highlight the need for expanding lake monitoring programs to include littoral zones to detect and mitigate changes occurring in lakes.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,105

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,175
Écart entre enseignants0,171 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWaterMême sujetAquatic Ecosystems and Phytoplankton DynamicsTravaux en français237 207