Role of zooplankton dynamics for Southern Ocean phytoplankton biomass andglobal biogeochemical cycles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. Global ocean biogeochemistry models currently employed in climate change projections use highly simplified representations of pelagic food webs. These food webs do not necessarily include critical pathways by which ecosystems interact with ocean biogeochemistry and climate. Here we present a global biogeochemical model which incorporates ecosystem dynamics based on the representation of ten plankton functional types (PFTs): six types of phytoplankton, three types of zooplankton, and heterotrophic procaryotes. We improved the representation of zooplankton dynamics in our model through (a) the explicit inclusion of large, slow-growing macrozooplankton (e.g. krill), and (b) the introduction of trophic cascades among the three zooplankton types. We use the model to quantitatively assess the relative roles of iron vs. grazing in determining phytoplankton biomass in the Southern Ocean high-nutrient low-chlorophyll (HNLC) region during summer. When model simulations do not include macrozooplankton grazing explicitly, they systematically overestimate Southern Ocean chlorophyll biomass during the summer, even when there is no iron deposition from dust. When model simulations include a slow-growing macrozooplankton and trophic cascades among three zooplankton types, the high-chlorophyll summer bias in the Southern Ocean HNLC region largely disappears. Our model results suggest that the observed low phytoplankton biomass in the Southern Ocean during summer is primarily explained by the dynamics of the Southern Ocean zooplankton community, despite iron limitation of phytoplankton community growth rates. This result has implications for the representation of global biogeochemical cycles in models as zooplankton faecal pellets sink rapidly and partly control the carbon export to the intermediate and deep ocean.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle