Large‐scale modeling of primary production and ice algal biomass within arctic sea ice in 1992
Notice bibliographique
Résumé
An ice ecosystem model was coupled to a global dynamic sea ice model to assess large‐scale variability of primary production and ice algal biomass within arctic sea ice. The component models are the Physical Ecosystem Model (PhEcoM) ice ecosystem model and the Los Alamos Sea Ice Model (CICE). Simulated annual arctic sea ice primary production was 15.1 Tg C; within the range of 9 to 73 Tg C estimated using in situ data. The amount of C fixed was >3 Tg C month −1 for March, April, and May. The Bering Sea, Arctic Ocean basins, and the Canadian Archipelago/Baffin Bay were the most productive regions on an annual basis, contributing approximately 24, 18, and another 18%, respectively. High production in the Bering Sea was due to high daily production rates, while the large sea ice coverage in the Canadian Archipelago/Baffin Bay and, in particular, the Arctic Ocean basins resulted in their considerable contribution to sea ice primary production. The simulated trends, patterns, and seasonality of ice algae agree reasonably well with very limited observations. In the model, ice growth rate controls the availability of nutrients to sea ice algae, such that ocean nutrient supply is of secondary importance to ice algal growth. The numerical model results suggest that ice melt rate, which determines the proportional rate of ice algal release, controls the termination of the bloom on large scales. The model described advances the role of sea ice algae in biogeochemical cycling within global climate models.
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 | 0,002 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».