Cyanobacteria in North America: modelling across nutrient and temperature gradients
Bibliographic record
Abstract
Les proliférations de cyanobactéries sont des sujets de préoccupation à l'échelle globale en raison de leur capacité de former des écumes denses qui épuisent l'oxygène dissoute et qui peuvent produire des toxines, nuisant à l'utilisation des plans d'eau tant pour l'eau potable que les loisirs. La modélisation de la biomasse et de la dominance des cyanobactéries a préalablement démontré que leur abondance augmente de façon concomitante avec les nutriments dans les systèmes d'eau douce. Bien que la température et la stratification de la colonne d'eau soient de plus en plus citées comme facteurs favorisant la prolifération des cyanobactéries, ces associations sont surtout basées sur des études en laboratoire et de lacs individuels. En outre, il n'a pas été bien démontré que les modèles développés sur d'importants gradients spatiaux s'appliquent de façon adéquate à l'échelle régionale, où la biomasse pourrait aussi être modulée par des variables additionnels. Cette thèse évalue les effets de la température, des nutriments et d'autres prédicteurs sur la biomasse des cyanobactéries dans les lacs d'Amérique du Nord, à travers le développement de modèles général ainsi que des modèles tenant compte des spécificités régionales. Dans le premier chapitre, je présente une analyse exhaustive d'un ensemble de données de plus de 1000 lacs. Utilisant cet ensemble de données, où la plupart des lacs ont été échantillonnés une seule fois au cours de la saison de croissance, j'ai démontré que les concentrations de nutriments (azote et phosphore) et la température étaient des prédicteurs significatifs de la biomasse des cyanobactéries. L'effet de la température sur la biomasse des cyanobactéries est statistiquement indépendant de celui des nutriments. Ces résultats suggèrent que le réchauffement des eaux de surface pourrait entraîner une augmentation de la biomasse des cyanobactéries dans les lacs. Les effets des variables différaient entre les systèmes étudies (profonds, peu profond ; lac naturel, réservoir). Les meilleurs modèles ont été développés pour lacs naturels profonds. Dans le deuxième chapitre de cette thèse, j'ai examiné un ensemble de données inédites basées sur les moyennes saisonnières de 88 lacs provenant de trois régions du Canada (l'Alberta, la Colombie-Britannique et l'Ontario). J'ai développé des modèles prédictifs généraux et examiné comment les modèles pouvaient différer entre les régions en utilisant la modélisation linéaire générale et la modélisation à effets mixtes. Les prédicteurs environnementaux ressortant furent similaires à ceux du premier chapitre mais, tel qu'attendu, les modèles utilisant les moyennes saisonnières expliquèrent une plus grande proportion de la variance de la biomasse des cyanobactéries car elles sont plus représentatives. Ces modèles ont aussi relevé des différences claires entre l'Ontario et les autres provinces mais l'inclusion d'avantage de lacs de l'Ontario dans l'analyse serait nécessaire afin de résoudre pourquoi c'est le cas. Dans l'ensemble, cette thèse enrichit notre compréhension des variables influençant la prolifération des cyanobactéries dans les lacs. Elle démontre clairement que, par l'enrichissement continu en nutriments et le réchauffement des eaux de surface, une augmentation de la biomasse des cyanobactéries dans les lacs nord-américains serait attendue.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".