Assessing the Role of High‐Frequency Winds and Sea Ice Loss on Arctic Phytoplankton Blooms in an Ice‐Ocean‐Biogeochemical Model
Notice bibliographique
Résumé
Abstract The long‐term trend of increasing phytoplankton net primary production (NPP) in the Arctic correlates with increasing light penetration due to sea ice loss. However, recent studies suggest that enhanced stormy wind mixing may also play a significant role enhancing NPP. Here, we isolate the role of sea ice and stormy winds (hereafter high‐frequency winds) using an eddy‐permitting ice‐ocean‐biogeochemical model configured for the North Atlantic and the Arctic. In the model, the presence of high‐frequency winds stimulates nutrient upwelling by producing an earlier and longer autumn‐winter mixing period with deeper mixing layer. The early onset of autumn mixing results in nutrients being brought‐up to near‐surface waters before the light becomes the dominant limiting factor, which leads to the autumn bloom. The enhanced mixing results in higher nutrient concentrations in spring and thus a large spring bloom. The model also shows significant iron limitation in the Labrador Sea, which is intensified by high‐frequency winds. The effect of sea ice loss on NPP was found to be regionally dependent on the presence of high‐frequency winds. This numerical study suggests high‐frequency winds play significant role increasing NPP in the Arctic and sub‐Arctic by alleviating phytoplankton nutrient limitation and that the isolated effect of sea ice loss on light plays a comparatively minor role.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».