Winter and summer storms modify chlorophyll relationships with nutrients in seasonally ice‐covered lakes
Notice bibliographique
Résumé
Abstract At broad spatial scales, primary productivity in lakes is known to increase in concert with nutrients, and variables that may disrupt or modify the tight coupling of nutrients and algae are of increasing interest, particularly for those shifting with climate change. Storms may disrupt algae–nutrient relationships, but the expected effects differ between winter and summer seasons, particularly for seasonally ice‐covered lakes. In winter, storms can dramatically change the under‐ice light environment, creating light limitation that disrupts algae–nutrient relationships. Further, storms can bring both snow that blocks light and also wind that blows snow off of ice. In open water conditions, storms may promote turbulence and external nutrient loading. Here, we test the hypotheses that winter and summer storms differentially affect algae–nutrient relationships across 84 seasonally ice‐covered lakes included in the Ecology Under Lake Ice dataset. While nutrients explained most of the variation in chlorophyll across these lakes, we found that secondary drivers differed between seasons. Under‐ice chlorophyll was higher under a variety of precipitation and wind conditions that tend to promote snow‐free clear ice, highlighting the importance of light as a limiting factor for algal growth during winter. In summer, higher water temperatures and storms corresponded with higher chlorophyll. Our study suggests that examining ice‐covered lakes in a gradient from the perennial ice cover of the poles to the intermittent ice cover of lower latitudes would yield key information on the shifts in light and nutrient limitation that control algal biomass.
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) | 0,008 | 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 ».