Effects of climate on salmonid productivity: A global meta‐analysis across freshwater ecosystems
Notice bibliographique
Résumé
Salmonids are of immense socio-economic importance in much of the world, but are threatened by climate change. This has generated a substantial literature documenting the effects of climate variation on salmonid productivity in freshwater ecosystems, but there has been no global quantitative synthesis across studies. We conducted a systematic review and meta-analysis to gain quantitative insight into key factors shaping the effects of climate on salmonid productivity, ultimately collecting 1321 correlations from 156 studies, representing 23 species across 24 countries. Fisher's Z was used as the standardized effect size, and a series of weighted mixed-effects models were compared to identify covariates that best explained variation in effects. Patterns in climate effects were complex and were driven by spatial (latitude, elevation), temporal (time-period, age-class), and biological (range, habitat type, anadromy) variation within and among study populations. These trends were often consistent with predictions based on salmonid thermal tolerances. Namely, warming and decreased precipitation tended to reduce productivity when high temperatures challenged upper thermal limits, while opposite patterns were common when cold temperatures limited productivity. Overall, variable climate impacts on salmonids suggest that future declines in some locations may be counterbalanced by gains in others. In particular, we suggest that future warming should (1) increase salmonid productivity at high latitudes and elevations (especially >60° and >1500 m), (2) reduce productivity in populations experiencing hotter and dryer growing season conditions, (3) favor non-native over native salmonids, and (4) impact lentic populations less negatively than lotic ones. These patterns should help conservation and management organizations identify populations most vulnerable to climate change, which can then be prioritized for protective measures. Our framework enables broad inferences about future productivity that can inform decision-making under climate change for salmonids and other taxa, but more widespread, standardized, and hypothesis-driven research is needed to expand current knowledge.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,038 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».