MétaCan
Menu
Retour à la cohorte
Enregistrement W4410176781 · doi:10.1111/fwb.70023

Using Long‐Term Ecological Datasets to Unravel the Impacts of Short‐Term Meteorological Disturbances on Phytoplankton Communities

2025· article· en· W4410176781 sur OpenAlexafffund
Viet Tran‐Khac, Jonathan P. Doubek, Vijay P. Patil, Jason D. Stockwell, Rita Adrian, Chun‐Wei Chang, Gaël Dur, Aleksandra M. Lewandowska, James A. Rusak, Nico Salmaso, Dietmar Straile, Stephen J. Thackeray, Patrick Venail, Ruchi Bhattacharya, Jennifer A. Brentrup, Rosalie Bruel, Heidrun Feuchtmayr, Mark O. Gessner, Hans‐Peter Grossart, Bastiaan W. Ibelings, Stéphan Jacquet, Sally MacIntyre, Shin‐ichiro S. Matsuzaki, Emily R. Nodine, Peeter Nõges, Lars G. Rudstam, Frédéric Soulignac, Piet Verburg, Petr Znachor, Tamar Zohary, Orlane Anneville

Notice bibliographique

RevueFreshwater Biology · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensQueen's UniversityMinistry of the Environment, Conservation and Parks
Organismes subventionnairesSchool of Geography, Environment and Earth Sciences, Victoria University of WellingtonVermont Water Resources and Lake Studies Center, University of VermontNational Institute of Food and AgricultureAnalyses et Expérimentations pour les EcosystèmesMinistère de l’Environnement, de la Protection de la nature et des ParcsTechnische Universität BerlinInstitut National de Recherche pour l'Agriculture, l'Alimentation et l'EnvironnementBiologické Centrum, Akademie Věd České RepublikyUniversité de GenèveU.S. Geological SurveyRollins CollegeQueen's UniversityShizuoka UniversityEesti TeadusagentuurAcademia SinicaFondazione Edmund MachEesti MaaülikoolLeibniz-GemeinschaftVictoria University of WellingtonWaikato Regional CouncilVictoria UniversityUniversität KonstanzGlobal Lake Ecological Observatory NetworkFondation pour la Recherche sur la BiodiversiteU.S. Department of StateHelsingin YliopistoInstitute of HydrobiologyCleveland State UniversityNew York State Department of Environmental ConservationU.S. Department of Agriculture
Mots-clésTerm (time)PhytoplanktonEcologyEnvironmental scienceGeographyBiologyNutrient

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Extreme meteorological events such as storms are increasing in frequency and intensity, but our knowledge of their impacts on aquatic ecosystems and emergent system properties is limited. Understanding the ecological impacts of storms on the dynamics of primary producers remains a challenge that needs to be addressed to assess the vulnerability of freshwater ecosystems to extreme weather conditions and climate change. One promising approach to gain insights into storm impacts on phytoplankton community dynamics is to analyse long‐term monitoring datasets. However, such an approach requires disentangling the impacts of short‐term meteorological disturbances from the effects of the seasonal trajectories of meteorological conditions. To this end, we applied boosted regression tree models to phytoplankton time series from eight relatively large lakes on four continents, coupled with a procedure adapted to detect and quantify rare events. Overall, the patterns and potential drivers we identified provide important insights into the responses of lakes to short‐term meteorological events and highlight differences in the response of phytoplankton communities according to lake morphological characteristics. Our results indicated that deepened thermoclines and lake‐specific combinations of drivers describing altered thermal structures caused deviations from the typical trajectories of seasonal phytoplankton succession. For shallow polymictic lakes, shifts in phytoplankton succession also depended on changes in light availability. Overall, our study highlights the value of long‐term monitoring to improve our understanding of phytoplankton sensitivity to short‐term meteorological disturbances.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
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 enseignants0,019
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
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 Opus0,042
Tête enseignante GPT0,284
Écart entre enseignants0,243 · 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

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFreshwater BiologyMême sujetMarine and coastal ecosystemsTravaux en français237 207