MétaCan
Menu
Retour à la cohorte
Enregistrement W2968017136 · doi:10.3390/microorganisms7080260

Should We Not Further Study the Impact of Microbial Activity on Snow and Polar Atmospheric Chemistry?

2019· article· en· W2968017136 sur OpenAlexafffund
Florent Dominé

Notice bibliographique

RevueMicroorganisms · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePolar Research and Ecology
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaInstitut Polaire Français Paul Emile Victor
Mots-clésSnowEnvironmental chemistryAtmosphere (unit)ChemistryAtmospheric chemistryEnvironmental sciencePolarFirnNitrogenAtmospheric sciencesOzoneMeteorologyOrganic chemistryGeology

Résumé

récupéré en direct d'OpenAlex

Since 1999, atmospheric and snow chemists have shown that snow is a very active photochemical reactor that releases reactive gaseous species to the atmosphere including nitrogen oxides, hydrocarbons, aldehydes, halocarbons, carboxylic acids and mercury. Snow photochemistry therefore affects the formation of ozone, a potent greenhouse gas, and of aerosols, which affect the radiative budget of the planet and, therefore, its climate. In parallel, microbiologists have investigated microbes in snow, identified and quantified species, and sometimes discussed their nutrient supplies and metabolism, implicitly acknowledging that microbes could modify snow chemical composition. However, it is only in the past 10 years that a small number of studies have revealed that microbial activity in cold snow (< 0 °C, in the absence of significant amounts of liquid water) could lead to the release of nitrogen oxides, halocarbons, and mercury into the atmosphere. I argue here that microbes may have a significant effect on snow and atmospheric composition, especially during the polar night when photochemistry is shut off. Collaborative studies between microbiologists and snow and atmospheric chemists are needed to investigate this little-explored field.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,462
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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 Opus0,013
Tête enseignante GPT0,263
Écart entre enseignants0,250 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations13
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMicroorganismsMême sujetPolar Research and EcologyTravaux en français237 207