Impact of sea‐ice biology on overall primary production in a biophysical model of the pan‐Arctic Ocean
Notice bibliographique
Résumé
The contribution of sea‐ice biology and impact of Arctic warming on overall primary production in a Pan‐Arctic ocean model are investigated in a 57 year (1950–2006) simulation at coarse resolution using a simple ecosystem model. The ice biology model formally represents the growth and aggregation of micro algae into an ice‐water interface, nearly undisturbed by surface mixed layer dynamics. The importance of this so‐called ‘ice‐algae’ stems from their significant contribution to the total primary production (up to 50% depending on the locations, according to observations described in Gosselin et al. (1997). Simple 1D tests reveal that, depending on their initial biomass and light availability, ice algae can affect the temporal variation of surface nutrients, while they marginally impact the total primary production, or the long term position of the nutricline. The sea‐ice primary production is found in the model to be as high as 40% of the total primary production depending on the location and 7.5% for the whole Arctic. The modeled primary production of the ocean is negatively correlated to the September ice cover whereas the production in the ice is more weakly positively correlated. Because of the negative correlation between sea ice cover and pelagic primary production, the short term response to the continuing ice decline will be an increased total production as seen in the model, while the ice algae production would decline.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».