Effects of aeration on water quality in agricultural reservoirs in the northern Great Plains
Notice bibliographique
Résumé
Lerminiaux J, Norton B, Wilson RJ, Rimas R, Lavender TM, Finlay K. 2024. Effects of aeration on water quality in agricultural reservoirs in the northern Great Plains. Lake Reserv Manage. XX:XXX–XX.Aeration of agricultural reservoirs is an encouraged practice in the northern Great Plains of Canada as it can improve water quality by reducing pathogenic bacteria and algal abundance. Cattle also prefer aerated water, resulting in greater weight gain. Despite its known benefits, agricultural reservoir aeration is still not uniformly adopted, largely given its cost of installation and maintenance. Wind powered aeration has been shown to be an eco-friendly and sustainable way to increase oxygen levels in agricultural reservoirs, but the mechanisms by which this aeration can improve water quality are not well documented. By comparing 5 aerated agricultural reservoirs to 5 unaerated agricultural reservoirs, we evaluated whether wind-powered aeration improves water quality. We measured dissolved oxygen, nitrogen, and phosphorus, algal biomass (as chlorophyll a), cyanobacteria abundance, and algal toxins (microcystin, anatoxin-a, and β-N-methylamino-L-alanine) in the aerated and unaerated agricultural reservoirs on a weekly basis over a 12-week period from mid June through August 2022. We found that the aerators were able to mix the water column and add oxygen to deeper regions of the agricultural reservoir, but this did not result in consistent improvements to any measured water quality parameter. The observed lack of a strong response to aeration suggests that this practice may provide only minimal water quality benefits, but aeration may still prove beneficial for deep (>2 m) and sheltered agricultural reservoirs that do not regularly mix from wind effects alone.
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 | 0,001 | 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 ».