There is growing evidence that cyanobacterial blooms are becoming more common in different parts of the world; within this context, predictive cyanobacteria models have an essential role in lake management. Several models have been successfully used in temperate systems to describe the main drivers of cyanobacterial blooms, but relatively less work has been conducted in the Tropics. We analyzed data from six Brazilian reservoirs and from five Canadian lakes using a combination of regression tree analyses and variation partitioning to evaluate the similarities and differences between regions. Our results, together with a synthesis of the literature from different latitudes, showed that trophic state (i.e. nutrients), climatic variables (e.g., temperature and/or precipitation) and hydrodynamic regimes (i.e. water residence time) are significant drivers of cyanobacteria biomass over several scales. Nutrients came out as the primary predictor in both regions, followed by climate, but when all systems were pooled together, water residence time came out as most important. The consistency in variables identified between regions suggests that these drivers are widely important and cyanobacteria responded quite similarly in different geographical settings and waterbody types (i.e. lakes or reservoirs). However, more work is needed to identify key thresholds across latitudinal gradients. Taken together, these results suggest that multi-region syntheses can help identify drivers that predict broad-scale patterns of cyanobacteria biomass.

越来越多的证据表明，在世界不同地区，蓝藻水华变得越来越普遍。在这种情况下，预测性蓝细菌模型在湖泊管理中具有至关重要的作用。在温带系统中已经成功使用了几种模型来描述蓝藻水华的主要驱动因素，但是在热带地区开展的工作相对较少。我们使用回归树分析和变异分区相结合的方法，分析了来自六个巴西水库和来自五个加拿大湖泊的数据，以评估区域之间的异同。我们的结果以及不同纬度文献的综合显示，营养状态（即营养），气候变量（例如温度和/或降水）和水动力状态（即 水停留时间）是在多个尺度上蓝藻生物量的重要驱动力。在这两个地区，营养素是主要的预报指标，其次是气候，但是当所有系统汇集在一起​​时，水的停留时间就显得尤为重要。区域之间确定的变量的一致性表明，这些驱动因素非常重要，并且蓝细菌在不同的地理环境和水体类型（即湖泊或水库）中的响应非常相似。但是，需要更多的工作来确定跨纬度梯度的关键阈值。综上所述，这些结果表明，多区域合成可以帮助识别预测蓝藻生物质大规模模式的驱动因素。其次是气候，但是当所有系统汇集在一起​​时，水的停留时间是最重要的。区域之间确定的变量的一致性表明，这些驱动因素非常重要，并且蓝细菌在不同地理环境和水体类型（即湖泊或水库）中的响应也非常相似。但是，需要更多的工作来确定跨纬度梯度的关键阈值。综上所述，这些结果表明，多区域合成可以帮助识别预测蓝藻生物质大规模模式的驱动因素。其次是气候，但是当所有系统汇集在一起​​时，水的停留时间是最重要的。区域之间确定的变量的一致性表明，这些驱动因素非常重要，并且蓝细菌在不同地理环境和水体类型（即湖泊或水库）中的响应也非常相似。但是，需要更多的工作来确定跨纬度梯度的关键阈值。综上所述，这些结果表明，多区域合成可以帮助识别预测蓝藻生物质大规模模式的驱动因素。区域之间确定的变量的一致性表明，这些驱动因素非常重要，并且蓝细菌在不同地理环境和水体类型（即湖泊或水库）中的响应也非常相似。但是，需要更多的工作来确定跨纬度梯度的关键阈值。综上所述，这些结果表明，多区域合成可以帮助识别预测蓝藻生物质大规模模式的驱动因素。区域之间确定的变量的一致性表明，这些驱动因素非常重要，并且蓝细菌在不同地理环境和水体类型（即湖泊或水库）中的响应也非常相似。但是，需要更多的工作来确定跨纬度梯度的关键阈值。综上所述，这些结果表明，多区域合成可以帮助识别预测蓝藻生物质大规模模式的驱动因素。