MétaCan
Menu
← Back to cohort
Record W7162131824 · doi:10.82308/28058

Dinoflagellate cysts as indicators of water quality in Northwest Atlantic coastal waters

2016· dissertation· en· W7162131824 on OpenAlexaboutno aff
Andrea Price

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldEarth and Planetary Sciences
TopicMarine and coastal ecosystems
Canadian institutionsnot available
Fundersnot available
KeywordsCoastal zoneMarine pollutionAquatic environmentEnvironmental factorWater qualitySiltation

Abstract

fetched live from OpenAlex

La pollution par les nutriments est un problème environnemental global. Les excès d'azote et de phosphore dans les eaux côtières peuvent détériorer significativement la qualité des eaux, affectant négativement les écosystèmes côtiers, et impactant sévèrement la valeur économique et récréative des lieux par la détérioration du tourisme, de la pêche et du plaisir esthétique. Déterminer les apports totaux en nutriments dans les estuaires, cependant, est un défi. Une méthode pour évaluer les apports en nutriments est l'utilisation de modèles de charge nutritive. Une autre méthode consiste à utiliser certains indicateurs comme signes d'avertissement précoces de la dégradation de la qualité de l'eau. Les assemblages de kystes de dinoflagellés reflètent la qualité des eaux, mais la façon dont le signal d'eutrophication, présent dans les assemblages de kystes, varie géographiquement dans les eaux côtières, est mal comprise. L'objectif général de cette thèse est d'améliorer le développement des kystes de dinoflagellés comme indicateurs de qualité de l'eau dans les eaux côtières. Je me suis concentrée sur deux paramètres abiotiques, le type d'estuaire et la charge empirique en nutriment, pour déterminer leur influence sur les assemblages de kystes.Les kystes de dinoflagellés de 30 différents estuaires le long de la côte nord-est des États-Unis (du Maine au Delaware), de l'Île du Prince Edward (IPE) (Canada) et du nord du Golfe du Mexique (NGDM) ont été analysés. Les assemblages de kystes varient selon les provinces biogéographiques. Ceux de la province acadienne ont de plus grandes abondances de Islandinium? cezare, Dubridinium spp. et Selenopemphix quanta, alors que des abondances plus élevées de Spiniferites spp. et Lingulodinium machaerophorum sont souvent observées dans la province virginienne. Au sein de la même province biogéographique, les assemblages de kystes peuvent être distingués par type d'estuaire (dominé par eaux fluviales, lagon, échancrure côtière ou fjord). Le type d'estuaire a également un impact sur la relation entre la charge de nutriments et la proportion de taxons hétérotrophes. Dans le nord-est des É-U et l'IPE, une corrélation linéaire positive entre kystes produits par des dinoflagellés hétérotrophes et la charge d'azote est observée, mais la relation est améliorée significativement lorsque le type d'estuaire est inclus. Dans l'ensemble, les kystes produits par les taxons hétérotrophes sont plus abondants dans les estuaires à plus grande charge nutritive (nord-est des É-U et IPE) ou dans les zones aux concentrations en nutriments inorganiques élevées (NGDM). Un examen plus approfondi de chaque estuaire révèle un signal d'eutrophication plus complexe, signal qui peut varier selon l'estuaire.La recherche issue de cette thèse contribue à une compréhension approfondie de la manière dont les assemblages de kystes de dinoflagellés reflètent la qualité de l'eau dans les estuaires. Pour la première fois, l'influence du type d'estuaire a été examinée et montrée comme un paramètre significatif impactant les assemblages de kystes. Cette étude montre également que, même si en général une relation positive entre nutriments et taxons hétérotrophes existe dans les eaux côtières du nord-ouest de l'Atlantique, chaque estuaire peut présenter une réponse différente.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.129
Threshold uncertainty score0.256

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.000
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.007
GPT teacher head0.223
Teacher spread0.217 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2016
Admission routes1
Has abstractyes

Explore more

Same topicMarine and coastal ecosystems→French-language works237,207→