Mapping the Spatial Heterogeneity of Watershed Ecosystems and Water Quality in Rainforest Fjordlands
Notice bibliographique
Résumé
Small coastal watersheds (< 10,000 km 2 ) can play a large role in forming biogeochemical linkages between land and sea, yet the spatial heterogeneity of small watershed ecosystems is poorly understood due to sparse observations in many regions. In this study, we examined the spatial heterogeneity of water quality exported from diverse watersheds in two rainforest fjordland complexes. Samples were collected about monthly for a year from the outlets of 56 watersheds spanning from high mountains to low islands. Many (20) water quality properties varied significantly across six previously established watershed types defined by 12 easily computed geospatial variables. For example, organic matter concentrations ranged from very low in a Glacierized Mountains watershed type (1.2 ± 0.1 mg L −1 DOC; 28.5 ± 4.6 µg L −1 DON) to very high (15.1 ± 1.0 mg L −1 DOC; 215.6 ± 20.4 µg L −1 DON) in a Rain Lowlands type. Along this gradient, the dominant form of dissolved nitrogen switched from inorganic to organic and the dominant form of phosphorous switched from particulate to dissolved. Watershed type alone explained 67% of the variance in the first principal component of water quality (PC1) representing 20 water properties. Although underlying causes were likely complex, a great deal of spatial variation in water quality (for example, 91% of PC1) was predicted by simple measures of topography and climate (for example, elevation and mean annual precipitation). The physiographic structure of the coastal land mass appears to enable a complex mosaic of watershed ecosystems, which may affect meta-ecosystem function at the coastal margin.
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 ».