Explaining variation in stream fish productivity with biotic and abiotic variables across wadeable rivers in eastern North America
Notice bibliographique
Résumé
Abstract Biomass production is a key ecosystem process that provides insight into ecological processes such as growth, reproduction, mortality, and energy distribution. Previous studies have considered various fish response measures such as species richness, abundance, and/or biomass as response variables for river ecosystems or the productivity of particular species. However, few studies have investigated how total fish productivity of riverine systems is affected by environmental variables. Here, we identified important abiotic and biotic predictors of fish productivity in wadeable, temperate riverine systems. We investigated the relationships between total stream fish productivity and multiple abiotic and biotic variables in wadeable stream reaches across Ontario, Canada. Variance partitioning was used to evaluate the relative importance of the biotic, landscape, climatic, and geologic variables on total stream fish productivity. A modified bootstrap approach was used for the model‐selection process and to parameterise an empirical fish productivity model. We found that biotic predictors explained more variation in productivity relative to the abiotic variables. The best empirical model included day‐of‐year, growing degree days, latitude, salmonid presence/absence, species richness, and upstream catchment area. Our findings indicate that a combination of both biotic and abiotic variables can provide valuable insight into how ecological processes, such as fish productivity, differ across ecosystems. Species richness and differences in assemblage characteristics may be key determinants of the overall fish productivity in stream systems. Our model can estimate productivity from salmonid presence/absence data and total species richness, instead of fish abundance data, which require larger sampling efforts.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».