Comparative assessment of algaecide performance on freshwater phytoplankton: Understanding differential sensitivities to frame cyanobacteria management
Notice bibliographique
Résumé
Cyanobacterial bloom represent a growing threat to global water security. With fast proliferation, they raise great concern due to potential health and socioeconomic concerns. Algaecides are commonly employed as a mitigative measure to suppress and manage cyanobacteria. However, recent research on algaecides has a limited phycological focus, concentrated predominately on cyanobacteria and chlorophytes. Without considering phycological diversity, generalizations crafted from these algaecide comparisons present a biased perpective. To limit the collateral impacts of algaecide interventions on phytoplankton communities it is critical to understand differential phycological sensitivities for establishing optimal dosage and tolerance thresholds. This research attempts to fill this knowledge gap and provide effective guidelines to frame cyanobacterial management. We investigate the effect of two common algaecides, copper sulfate (CuSO4) and hydrogen peroxide (H2O2), on four major phycological divisions (chlorophytes, cyanobacteria, diatoms, and mixotrophs). All phycological divisions exhibited greater sensitivity to copper sulfate, except chlorophytes. Mixotrophs and cyanobacteria displayed the highest sensitivity to both algaecides with the highest to lowest sensitivity being observed as follows: mixotrophs, cyanobacteria, diatoms, and chlorophytes. Our results suggest that H2O2 represents a comparable alternative to CuSO4 for cyanobacterial control. However, some eukaryotic divisions such as mixotrophs and diatoms mirrored cyanobacteria sensitivity, challenging the assumption that H2O2 is a selective cyanocide. Our findings suggest that optimizing algaecide treatments to suppress cyanobacteria while minimizing potential adverse effects on other phycological members is unattainable. An apparent trade-off between effective cyanobacterial management and conserving non-targeted phycological divisions is expected and should be a prime consideration of lake management.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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) | 0,001 | 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 ».