Response of lake metabolism to catchment inputs inferred using high‐frequency lake and stream data from across the northern hemisphere
Notice bibliographique
Résumé
Abstract In lakes, the rates of gross primary production (GPP), ecosystem respiration (R), and net ecosystem production (NEP) are often controlled by resource availability. Herein, we explore how catchment vs. within lake predictors of metabolism compare using data from 16 lakes spanning 39°N to 64°N, a range of inflowing streams, and trophic status. For each lake, we combined stream loads of dissolved organic carbon (DOC), total nitrogen (TN), and total phosphorus (TP) with lake DOC, TN, and TP concentrations and high frequency in situ monitoring of dissolved oxygen. We found that stream load stoichiometry indicated lake stoichiometry for C : N and C : P (r2 = 0.74 and r2 = 0.84, respectively), but not for N : P (r2 = 0.04). As we found a strong positive correlation between TN and TP, we only used TP in our statistical models. For the catchment model, GPP and R were best predicted by DOC load, TP load, and load N : P (R2 = 0.85 and R2 = 0.82, respectively). For the lake model, GPP and R were best predicted by TP concentrations (R2 = 0.86 and R2 = 0.67, respectively). The inclusion of N : P in the catchment model, but not the lake model, suggests that both N and P regulate metabolism and that organisms may be responding more strongly to catchment inputs than lake resources. Our models predicted NEP poorly, though it is unclear why. Overall, our work stresses the importance of characterizing lake catchment loads to predict metabolic rates, a result that may be particularly important in catchments experiencing changing hydrologic regimes related to global environmental change.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».