Temporal Decoupling Between Total Organic Carbon and Iron in Lakes Linked to Interannual Changes in Precipitation
Notice bibliographique
Résumé
Abstract Widespread increases in lake browning, which affects primary production, have been observed in northern lakes. While lake browning is attributed to increases in terrestrially derived total organic carbon (TOC) and total iron (Fe), Fe does not consistently correlate with increasing TOC over time. This temporal mismatch between TOC and Fe indicates that we still do not fully understand the causes of lake browning, especially in the context of gradually changing climatic conditions. In this study, we utilized Fennoscandian 30‐year (1990–2020) time series data for 102 lakes to describe possible reasons for the temporal decoupling between TOC and Fe. Using Bayesian mixed‐effects models and wavelet coherence analysis, we found evidence for differential responses of TOC and Fe concentrations to changes in precipitation, temperature, and sulfur deposition. While TOC appeared more sensitive to the effects of precipitation, temperature and sulfur deposition in individual lakes, Fe concentrations were impacted by complex interactions among these environmental variables. Although TOC and Fe increased in most lakes in response to increased temperature and precipitation, 41% of the lakes—typically with larger catchment‐to‐lake area ratios and shorter water residence times—exhibited a declining trend in Fe. This analysis encompasses lakes of both significant and non‐significant changes over time. This decline in Fe was associated with short‐timescale (2–4 years) increases in precipitation, leading to a temporal decoupling between Fe and TOC. Our findings suggest that Fe concentrations do not increase uniformly with rising temperatures and increased precipitation, especially in regions where sulfur deposition has declined due to atmospheric recovery policies.
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 | 0,000 | 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 ».