Impacts of anthropogenic sedimentation on shell-bed habitats in Lake Tanganyika, Africa
Notice bibliographique
Résumé
Lake Tanganyika, in central Africa, contains a diverse and endemic fauna under threat from global climate change, overfishing, and nearshore sediment pollution. Previous studies of sediment pollution focused justifiably on impacts along rocky shorelines where diversity is high, but Lake Tanganyika also contains widespread shelly accumulations (shell beds) unprecedented in the modern East African lakes, but where impacts are less constrained. Here we integrate multiple datasets from three sites along the Tanzanian shoreline to explore how variation in sedimentation rates and sediment quality impacts shell-bed substrate and diversity and abundance of ostracodes and sponges across sites that exhibit varying watershed characteristics. Taphonomic overprinting of the shells are similar over the three sites, suggesting lake-wide processes control their accumulation. However, shell bed distribution and sediment volume and compositions vary. There are also differences in the abundance of studied taxa. Where organic matter is diluted by clastic mud, ostracodes are less abundant and less diverse. Where sediment is pervasive and shell density is low, fewer sponges occur. Using the fallout radionuclide 210Pb, the two sites with discontinuous shell beds show sedimentation rates at least twice as high as the site where shell beds are more continuous. These differences are likely related to modest differences in watershed morphology, urbanization, and land cover. Our study suggests that modern sediment pollution creates sediment blankets that cover extant shell beds and likely reduce live populations of the snails that contribute to the accumulations. This has important conservation implications as planning must focus on large watersheds where agriculture and urbanization tend to be higher.
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 | 0,002 | 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 | 0,000 |
| Communication savante | 0,000 | 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) | 0,002 | 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 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 ».