Adopt a Lake: Successfully Tracking Harmful Cyanobacterial Blooms in Canadian Surface Waters Through Citizen Science
Notice bibliographique
Résumé
The proliferation of harmful waterborne cyanobacterial algal blooms, some of which can produce potent toxins, poses severe risks to environmental and human health. Academic and governmental monitoring efforts may be constrained by budget, time, and staff, and thus miss otherwise significant pollution events. Here, we report on the implementation of a citizen science project to track harmful cyanobacterial blooms in lakes and waterways across Canada. Through both crowdsourcing and crowdfunding, the Adopt a Lake (Adopt a Lake 2022) campaign aimed to document the potential presence of cyanobacteria and toxins with the assistance of participants, thus improving public awareness of the issue of water quality preservation. Using social media, participants were encouraged to participate in the initiative by collecting samples during a bloom from a nearby pond or by making a financial contribution to support the initiative. Adopt a Lake benefitted from the analytical platform of Algal Blooms Treatment, Risk Assessment, Predictions, and Prevention (ATRAPP), a research project focused on the prediction and management of harmful cyanobacterial blooms. The presence of cyanotoxins, which can confirm whether a lake has a toxic bloom, was determined through high-resolution mass spectrometry analyses. This paper presents an overview of the implementation of the Adopt a Lake initiative, the campaign’s status, and the lessons learned, and it argues the importance of continual monitoring of cyanobacterial blooms.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».