Modeling brine and nutrient dynamics in Antarctic sea ice: The case of dissolved silica
Notice bibliographique
Résumé
Sea ice ecosystems are characterized by microalgae living in brine inclusions. The growth rate of ice algae depends on light and nutrient supply. Here, the interactions between nutrients and brine dynamics under the influence of algae are investigated using a one‐dimensional model. The model includes snow and ice thermodynamics with brine physics and an idealized sea ice biological component, characterized by one nutrient, namely, dissolved silica (DSi). In the model, DSi follows brine motion and is consumed by ice algae. Depending on physical ice characteristics, the brine flow is either advective, diffusive, or turbulent. The vertical profiles of ice salinity and DSi concentration are solutions of advection‐diffusion equations. The model is configured to simulate the typical thermodynamic regimes of first‐year Antarctic pack ice. The simulated vertical profiles of salinity and DSi qualitatively reproduce observations. Analysis of results highlights the role of convection in the lowermost 5–10 cm of ice. Convection mixes saline, nutrient‐poor brine with comparatively fresh, nutrient‐rich seawater. This implies a rejection of salt to the ocean and a flux of DSi to the ice. In the presence of growing algae, the simulated ocean‐to‐ice DSi flux increases by 0–115% compared to an abiotic situation. In turn, primary production and brine convection act in synergy to form a nutrient pump. The other important processes are the flooding of the surface by seawater and the percolation of meltwater. The former refills nutrients near the ice surface in spring. The latter, if present, tends to expell nutrients from the ice in summer.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».