Algal photophysiology drives darkening and melt of the Greenland Ice Sheet
Notice bibliographique
Résumé
Blooms of Zygnematophycean “glacier algae” lower the bare ice albedo of the Greenland Ice Sheet (GrIS), amplifying summer energy absorption at the ice surface and enhancing meltwater runoff from the largest cryospheric contributor to contemporary sea-level rise. Here, we provide a step change in current understanding of algal-driven ice sheet darkening through quantification of the photophysiological mechanisms that allow glacier algae to thrive on and darken the bare ice surface. Significant secondary phenolic pigmentation (11 times the cellular content of chlorophyll a ) enables glacier algae to tolerate extreme irradiance (up to ∼4,000 µmol photons⋅m −2 ⋅s −1 ) while simultaneously repurposing captured ultraviolet and short-wave radiation for melt generation. Total cellular energy absorption is increased 50-fold by phenolic pigmentation, while glacier algal chloroplasts positioned beneath shading pigments remain low-light–adapted ( E k ∼46 µmol photons⋅m −2 ⋅s −1 ) and dependent upon typical nonphotochemical quenching mechanisms for photoregulation. On the GrIS, glacier algae direct only ∼1 to 2.4% of incident energy to photochemistry versus 48 to 65% to ice surface melting, contributing an additional ∼1.86 cm water equivalent surface melt per day in patches of high algal abundance (∼10 4 cells⋅mL −1 ). At the regional scale, surface darkening is driven by the direct and indirect impacts of glacier algae on ice albedo, with a significant negative relationship between broadband albedo (Moderate Resolution Imaging Spectroradiometer [MODIS]) and glacier algal biomass ( R 2 = 0.75, n = 149), indicating that up to 75% of the variability in albedo across the southwestern GrIS may be attributable to the presence of glacier algae.
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 | 0,001 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».