Blue carbon gains from glacial retreat along Antarctic fjords: What should we expect?
Notice bibliographique
Résumé
is intensifying climate change but it is also driving global and particularly polar greening. However, most blue carbon sinks (that held by marine organisms) are shrinking, which is important as these are hotspots of genuine carbon sequestration. Polar blue carbon increases with losses of marine ice over high latitude continental shelf areas. Marine ice (sea ice, ice shelf and glacier retreat) losses generate a valuable negative feedback on climate change. Blue carbon change with sea ice and ice shelf losses has been estimated, but not how blue carbon responds to glacier retreat along fjords. We derive a testable estimate of glacier retreat driven blue carbon gains by investigating three fjords in the West Antarctic Peninsula (WAP). We started by multiplying ~40 year mean glacier retreat rates by the number of retreating WAP fjords and their time of exposure. We multiplied this area by regional zoobenthic carbon means from existing datasets to suggest that WAP fjords generate 3,130 tonnes of new zoobenthic carbon per year (t zC/year) and sequester >780 t zC/year. We tested this by capture and analysis of 204 high resolution seabed images along emerging WAP fjords. Biota within these images were identified to density per 13 functional groups. Mean stored carbon per individual was assigned from literature values to give a stored zoobenthic Carbon per area, which was multiplied up by area of fjord exposed over time, which increased the estimate to 4,536 t zC/year. The purpose of this study was to establish a testable estimate of blue carbon change caused by glacier retreat along Antarctic fjords and thus to establish its relative importance compared to polar and other carbon sinks.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».