Predicting the presence of hypoxic hypolimnia in lakes at large spatial scales
Notice bibliographique
Résumé
Abstract Lakes and reservoirs provide multiple essential ecosystem services to humans, and several of these require the presence of a cool, oxygen‐rich hypolimnion. These ecosystem services include supporting habitat for recreational fish species and the maintenance of a non‐eutrophic state by limiting internal nutrient loading. However, changes in land use and global warming are modifying the thermal structure of lakes worldwide, creating episodic or prolonged periods of hypoxia, changing a lakes ability to deliver certain ecosystem services. Here, we used National Lake Assessment data and machine learning approaches to identify which lake or watershed features determined the presence of a hypolimnion and which contributed to the development of hypoxia. A random forest of 1000 trees predicted the presence of a hypolimnion with 85% accuracy using commonly measured morphometric and physicochemical variables as well as land use. Mean and maximum depths had a disproportionate influence, entirely obscuring the influence of variables commonly associated with lake mixing, such as light penetration and fetch. In contrast, depth had a more restrained role to predict the presence of hypoxia; the latter was predicted with an overall accuracy of 85%, from epilimnetic nitrogen and carbon concentrations. Although the nutrient‐color groups had a minor influence in the random forests, there was a clear trend of increased hypoxia with higher turbidity. Our approach allows for the broad‐scale assessment of lakes with hypolimnia and suggests that increasing eutrophication and browning will promote profundal hypoxia, altering the delivery of certain ecosystems services.
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 | 0,001 | 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 ».