MétaCan
Menu
← Retour à la cohorte
Enregistrement W4408217391 · doi:10.22541/essoar.174120423.33438965/v1

Climate and flow management interact to impact reservoir water quality    

2025· preprint· en· W4408217391 sur OpenAlexfundno aff
Danielle S. Spence, Kristin J. Painter, Ali Nazemi, Jason J. Venkiteswaran, Helen M. Baulch

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaGlobal Water FuturesCanada First Research Excellence FundUniversity of Saskatchewan
Mots-clésQuality (philosophy)BusinessFlow (mathematics)Environmental scienceClimate changePetroleum engineeringWater qualityEnvironmental planningEnvironmental resource managementWater resource managementNatural resource economicsEnvironmental economicsGeologyMechanicsEconomicsEcology

Résumé

récupéré en direct d'OpenAlex

Shallow, eutrophic lakes often exhibit high and extremely variable phytoplankton biomass. This variability makes drinking water supplies from shallow lakes particularly vulnerable to rapid change, as phytoplankton blooms can strongly impact treatment processes. We use 39 years of data to assess the interacting roles of climate and flow management in driving change in chlorophyll a (an indicator of phytoplankton biomass) in a shallow, hydrologically managed drinking water reservoir. Generalized additive modelling shows a significant increase in phytoplankton biomass (1992–1997), leading to a doubling of average chlorophyll a concentrations. Interestingly, we also see a shift towards smaller spring blooms and larger summer blooms. Our results show an impact of nutrients, climate, and flow source on phytoplankton biomass. Specifically, the increase in phytoplankton biomass coincided with periods with greater precipitation and associated nutrient-rich inflows from an agriculturally dominated catchment, along with strong El Niño events that potentially contributed to a warm, stable water column during the growing season. During high flows from the local catchment, flows from the upstream supply reservoir are typically reduced to prevent downstream flooding. However, flows from the supply reservoir have a diluting impact due to its lower nutrient concentrations. Thus, where reservoir flow sources vary in chemistry, considering water quality in flow management could help to ameliorate bloom severity and reduce drinking water treatment costs. Understanding interacting management and climatic drivers of reservoir water quality can also contribute to advance planning and mitigation of risks to water treatment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,285
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWater resources management and optimization→Travaux en français237 207→