MétaCan
Menu
Retour à la cohorte
Enregistrement W2033672883 · doi:10.1029/2009gl037488

Sensitivity of ocean acidification to geoengineered climate stabilization

2009· article· en· W2033672883 sur OpenAlexafffund
H. Damon Matthews, Long Cao, Ken Caldeira

Notice bibliographique

RevueGeophysical Research Letters · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Geoengineering
Établissements canadiensConcordia University
Organismes subventionnairesCanadian Foundation for Climate and Atmospheric SciencesUniversity of Victoria
Mots-clésAragoniteOcean acidificationClimate changeSaturation (graph theory)Environmental scienceBiosphereClimate sensitivityCarbon dioxideCarbon cycleGlobal warmingOcean chemistryGlobal changeClimate modelAtmospheric sciencesClimatologyOceanographyGeologySeawaterEcologyEcosystemMineralogyCalciteBiology

Résumé

récupéré en direct d'OpenAlex

Climate engineering has been proposed as a possible response to anthropogenic climate change. While climate engineering may be able to stabilize temperatures, it is generally assumed that this will not prevent continued ocean acidification. However, due to the strong coupling between climate and the carbon cycle, climate engineering could indirectly affect ocean chemistry. We used a global Earth‐system model to investigate how climate engineering may affect surface ocean pH and the degree of aragonite saturation. Climate engineering could significantly re‐distribute carbon emissions among atmosphere, land and ocean reservoirs. This could slow pH decreases somewhat relative to the non‐engineered case, but would not affect the level of aragonite saturation due to opposing responses of pH and aragonite saturation to temperature change. However, these effects are dependent on enhanced carbon accumulation in the land biosphere; without this, climate engineering has little effect on pH, and leads to accelerated declines in aragonite saturation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,302
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations72
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetClimate Change and GeoengineeringTravaux en français237 207