Effects of Nile tilapia (Oreochromis niloticus) cage aquaculture on water quality in the world’s largest tropical lake
Notice bibliographique
Résumé
Cage aquaculture in tropical lakes is an efficient means of generating fish protein to ensure food security and support livelihoods. However, it has been repeatedly criticized as injurious to lake ecosystems due to eutrophication and other problems, and therefore ill-advised. This study examined the impacts of Nile tilapia ( Oreochromis niloticus ) cage farming on water quality across spatial scales in the world’s largest tropical lake, Lake Victoria. The primary objectives were to determine if water quality patterns differed between cage and control stations along a background limnological gradient, and to identify the water quality variables that contributed most to these differences. We postulated that the spatial arrangement of sites in the lake would drive overarching patterns of water quality variation, while cage aquaculture would have additional impacts on these parameters across the spatial gradient. Water column samples were collected from both cage and control stations at four locations along a known gradient in limnology, across 2 years. The results revealed significant differences in water quality between cage and control stations at all four sites, with dissolved oxygen, pH, and silica contributing the most to these differences. These findings highlight the need for site-specific management strategies to both mitigate the environmental impacts of cage aquaculture in tropical lakes and ensure continuity of aquaculture production. Our study provides an approach that can be applied to tropical lakes and reservoirs around the world. Effective nutrient management and continuous monitoring are recommended to support sustainable aquaculture in ecosystems under stress from growing lakeside populations.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».