Controls on Lake Pelagic Primary Productivity: Formalizing the Nutrient‐Color Paradigm
Notice bibliographique
Résumé
Abstract Understanding controls on primary productivity is essential for describing ecosystems and their responses to environmental change. In lakes, pelagic gross primary productivity (GPP) is strongly controlled by inputs of nutrients and dissolved organic matter. Although past studies have developed process models of this nutrient‐color paradigm (NCP), broad empirical tests of these models are scarce. We used data from 58 globally distributed, mostly temperate lakes to test such a model and improve understanding and prediction of the controls on lake primary production. The model includes three state variables–dissolved phosphorus, terrestrial dissolved organic carbon (DOC), and phytoplankton biomass–and generates realistic predictions for equilibrium rates of pelagic GPP. We calibrated our model using a Bayesian data assimilation technique on a subset of lakes where DOC and total phosphorus (TP) loads were known. We then asked how well the calibrated model performed with a larger set of lakes. Revised parameter estimates from the updated model aligned well with existing literature values. Observed GPP varied nonlinearly with both inflow DOC and TP concentrations in a manner consistent with increasing light limitation as DOC inputs increased and decreasing nutrient limitation as TP inputs increased. Furthermore, across these diverse lake ecosystems, model predictions of GPP were highly correlated with observed values derived from high‐frequency sensor data. The GPP predictions using the updated parameters improved upon previous estimates, expanding the utility of a process model with simplified assumptions for water column mixing. Our analysis provides a model structure that may be broadly useful for understanding current and future patterns in lake primary production.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».