Data from: Multi-decadal changes in phytoplankton biomass in northern temperate lakes as seen through the prism of landscape properties
Notice bibliographique
Résumé
Ecologists collectively predict that climate change will enhance phytoplankton biomass in northern lakes. Yet there are unique variations in the structures and regulating functions of lakes to make this prediction challengeable and, perhaps, inaccurate. We used archived Landsat TM/ETM+ satellite products to estimate epilimnetic chlorophyll-a concentration (Chl-a) as a proxy for phytoplankton biomass in 281 northern temperate lakes over 28 years. We explored the influence of climate (air temperature, precipitation) and landscape proxies for nutrient sources (proportion of wetlands in a contributing catchment, size of the littoral zone, potential for wind-driven sediment resuspension as estimated by the dynamic ratio) or nutrient sinks (lake volume) in a random forest model to explain heterogeneity in peak Chl-a. Lakes with higher Chl-a (median Chl-a = 2.4 μg L-1, n = 40) had smaller volumes (< 44 × 104 m3) and were more sensitive to increases in temperature. In contrast, lakes with lower Chl-a (median Chl-a = 0.6 μg L-1, n = 241) had larger volumes (≥ 44 × 104 m3), contributing catchments with smaller proportions of wetlands (< 4.5% of catchment area, n = 70), smaller littoral zones (< 16.4 ha, n = 137), minimal wind-driven sediment resuspension (as defined by the dynamic ratio; < 0.45, n = 232), and were more sensitive to increases in precipitation. Lakes with larger volumes were generally less responsive to climate factors; however, large volume lakes with a significant proportion of wetlands and larger littoral zones behaved similarly to lakes with smaller volumes. Our finding that lakes with different landscape properties respond differently to climate factors may help predict the susceptibility of lakes to eutrophication under changing climate conditions.
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 | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».