Nutrient availability is the main driver of nanophytoplankton phago-mixotrophy in North American lake surface waters
Notice bibliographique
Résumé
Abstract There has been limited research on the abiotic and biotic factors affecting the prevalence of phago-mixotrophy (prevMixo) among nanophytoplankton across freshwater ecosystems. In recent years, large-scale sampling campaigns like the EPA-National Lakes Assessment and the NSERC LakePulse survey have generated surface water community composition data for hundreds of lakes across North America, covering large environmental gradients. We present results from our analyses of the nanophytoplankton community data from these two surveys, focusing on a taxonomic comparison of the mixoplankton communities across ecoregions and multivariate analyses of the environmental drivers of the prevMixo. We identified potentially phago-mixotrophic taxa in the majority of sites and across all ecozones sampled. Lake trophic state was identified as the main predictor of nanophytoplankton resource-acquisition strategy assemblages, with lower prevalence and diversity of mixoplankton communities in more eutrophic lakes. Lake trophic state also controlled the composition of the mixoplankton community and increased total phosphorus levels were associated with a loss of mixoplankton diversity. This study represents the most comprehensive assessment of the prevMixo in lake nanophytoplankton communities to date spanning hundreds of sites and a dozen ecozones.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».