Documenting the impacts of increasing salinity in freshwater and coastal ecosystems: Introduction to the special issue
Notice bibliographique
Résumé
Freshwater salinization is the process of changing ion concentrations (e.g., Na+, Mg2+, K+, Cl−, , ) relative to background levels due to human activities (e.g., agriculture, application of road de-icing salts, water and resource extraction, climate change, and sea-level rise; Williams 2001; Cañedo-Argüelles et al. 2016). Although considerably less studied than other environmental issues (Cañedo-Argüelles 2020), salinization is widely accepted as presenting major challenges to freshwater and coastal biodiversity (Cunillera-Montcusí et al. 2022). Existing data and research show a clear rise in freshwater salinization worldwide (Dugan et al. 2017; Cañedo-Argüelles 2020; Jeppesen et al. 2020; Kaushal et al. 2021), yet key knowledge gaps and management challenges remain due to the complexity (Kaushal et al. 2018) and prevalence of the problem (Cañedo-Argüelles 2020; Jeppesen et al. 2020). Current literature has neglected to provide unbiased geographic coverage (Cunillera-Montcusí et al. 2022), and ecosystem-level responses (e.g., functions and services) are rarely assessed (Herbert et al. 2015). Compelling calls for research agendas that address the need for salinization research at multiple scales (e.g., global, regional, local) are well timed (Cunillera-Montcusí et al. 2022). One identified research gap points to the need for networks of researchers working together at regional scales using experimental approaches to identify impacts on biodiversity, community salinity thresholds, and landscape-scale drivers. Here, we document the results of a networked Global Salt Initiative (GSI) that performed in situ experiments on lakes to look at ecosystem-level impacts: their findings suggest that North American and European water quality guidelines for salt are far too low to prevent ecosystem-level impacts. The further purpose of this Special Issue (SI) is to document the results of ecosystem-level impacts of increasing salinity on lake and coastal area biodiversity and ecosystem functioning from a variety of perspectives.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,008 |
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 ».