The Reynolds Functional Groups (RFG) classification scheme is an informative and widely used method in ecological studies of freshwater phytoplankton. It clusters species with similar traits, as well as common environmental sensitivities and tolerances. However, researchers face the difficulty to classify species into RFG because it relies in expert opinion, taxonomical knowledge and environmental information, which are not always accessible. Thus, a step forward is to build general statistical models to classify species into RFG. Under the hypothesis that an organism's response to environmental conditions determines their functional traits, here represented by the RFG, we predict that morphology and classification into broad taxonomic groups will explain RFG independently from environmental information and expert knowledge. To evaluate the predictive ability of morphological traits (e.g. volume) and taxonomic affiliation (e.g. chroococcal Cyanobacteria) as discriminant variables of RFG, we compiled 1,300 species (264 waterbodies) and applied Random Forest (RF) and Classification and Regression Trees (CART). We divided the data to train the models and test their performance. RF successfully classified species into the 28 RFG (only c. 10% test error) with an average individual RFG success rate of 84.6 (range = 33%–100%). This is a relatively high percentage of success from an ecological point of view. It suggests that the selected variables are able to reconstruct the RFG and represent well environmental preferences, without including information about local environmental conditions as classifiers. Our results reinforce the functional basis of the RFG and support both morphological traits and taxonomic classification as good proxies of phytoplankton responses to environmental conditions. A dichotomous key based on the CART was constructed, and an R code to classify species into the RFG is freely available. This work may help users to classify species into the RFG, including those that were not previously listed in the Reynolds classification system.
The problem using the CHEMTAX program in freshwater environments is that the few matrices of pigment ratios available have not been tested in a wide range of environments. Sixteen Amazonian, Andean, and Caribbean lakes, lagoons, and swamps were sampled over a year. The aim was to determine if it was possible to obtain a reliable matrix of input pigment ratios that may be used in freshwater habitats with different environmental conditions. There were no clear differences among regions for most of the ratios of marker pigments to Chlorophyll a (Chl a) in most of the phytoplankton groups. Only the zeaxanthin/Chl a ratio showed clear variations among areas. The estimates for the mean relative contribution of each phytoplankton group calculated for the pigment ratios obtained in each separate habitat and season were very similar to the estimates calculated using the average pigment ratio obtained for all habitats and seasons. Our study suggests that the matrix of the average pigment ratio obtained in this study can be used to estimate phytoplankton class abundances with the CHEMTAX program in freshwater habitats with different limnological conditions.
La clasificación basada en rasgos y grupos funcionales establecidos en la morfología del fitoplancton posibilitó una aproximación factible y objetiva en la evaluación de seis sistemas de diferente tipo, origen, morfología y condición limnológica pertenecientes a las regiones amazónica, andina y caribe de Colombia. Se estableció específicamente la relación entre las variables continuas y categóricas del fitoplancton (volumen, superficie, dimensión lineal máxima, presencia de aerótopos, mucílago, flagelo y exoesqueleto de sílice) con los parámetros limnológicos de transparencia, profundidad máxima, temperatura y concentración de iones inorgánicos. Se seleccionaron entre dos y ocho estaciones durante tres o cuatro periodos climáticos en series anuales entre el 2005 y el 2007 tomando las muestras en la zona limnética. Los taxones identificados se clasificaron en uno u otro grupo funcional basado en la morfología (GFBM) según las dimensiones morfológicas y la presencia de rasgos especializados de cada taxón. Entre los resultados más relevantes se destacó el grupo V (flagelados unicelulares de tamaño medio a grande) en ambientes poco profundos y turbios, con excepción de la llanura del Bajo Sinú en el Caribe, donde dominaba el grupo VII (colonias mucilaginosas con los lípidos y aerótopos). En los lagos profundos y de gran transparencia en montañas sobresalieron los grupos IV (tamaño medio y ausencia de rasgos especializados) y VII. Los grupos propuestos en la clasificación permitieron exponer los patrones funcionales del ensamblaje del fitoplancton y explicar significativamente su variación en respuesta a las características de los sistemas.
Analizamos la variación temporal de los grupos funcionales basados en la morfología del fitoplancton (GFBM) en el sistema inundable de Ayapel a través de la comparación de dos muestreos previos realizados entre los 2005 y 2007 y uno nuevo hecho en el 2015. Se estimó el biovolumen (mm3.l-1) y los rasgos morfológicos como volumen, relación superficie/volumen (S/V) y dimensión linear máxima (DLM). El análisis temporal fue realizado acorde con los niveles de precipitación pluvial, y mediante un análisis de agrupamiento se definieron dos períodos previos (época seca y época de transición) y uno nuevo correspondiente al año 2015 (msENSO: época seca con influencia ENSO). En las épocas seca y de transición, el grupo predominante fue el GFBM III con altas DLM (108.77 µm) y relaciones S/V (1.44 µm), mientras que en el msENSO se observaron bajos biovolumenes (0.016 mm3.l-1) y la predominancia del GFBM V. La comparación de la morfología funcional entre los años evidenció la transición de formas filamentosas a formas flageladas del fitoplancton, permitiéndole un mejor ajuste ante las presiones ambientales del área de estudio.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.