Geoengineering with seagrasses: is credit due where credit is given?
Notice bibliographique
Résumé
Blue carbon, the carbon fixed by vegetated coastal ecosystems including seagrasses, is reported to have a large potential to sequester atmospheric carbon dioxide. Planting, expanding or protecting seagrass meadows has, accordingly, been proposed as a form of geoengineering. Seagrasses are reported to account for up to 18% of the carbon burial in the world’s oceans, which is on the same order of magnitude as other proposed geoengineering techniques, including iron fertilization. International protocols have been developed to quantify carbon sequestration in seagrass meadows, with a view to awarding carbon credits under the Verified Carbon Standard. Unfortunately, because these protocols do not adequately account for post-depositional processes in marine sediment, they significantly overestimate carbon capture by seagrass beds and give an incorrect view of its distribution. Specifically, neglecting biomixing and remineralization of carbon in surface sediments biases burial rates high, while using sediment carbon inventory (soil carbon stock) over the top 1 m as a proxy for burial rate incorrectly identifies areas of high carbon burial. Seagrass beds likely provide a limited setting for geoengineering, because they generally comprise slowly-accumulating, fine to medium sand, which captures organic carbon less efficiently than fine-grained sediments or rapidly-accumulating delta deposits. While there is no question that seagrass meadows provide valuable habitat, nor that they are disappearing rapidly, their contribution to the global burial of carbon has not yet been established. The danger of geoengineering with seagrasses before reliable assessment methods have been established is that overestimated carbon offsets could lead to a net increase in emissions of carbon dioxide to the atmosphere.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».