MétaCan
Menu
Retour à la cohorte
Enregistrement W3040588293 · doi:10.5194/bg-17-3439-2020

Twenty-first century ocean warming, acidification, deoxygenation, and upper-ocean nutrient and primary production decline from CMIP6 model projections

2020· article· en· W3040588293 sur OpenAlexaff
Lester Kwiatkowski, Olivier Torres, Laurent Bopp, Olivier Aumont, Matthew A. Chamberlain, James R. Christian, John P. Dunne, Marion Gehlen, Tatiana Ilyina, Jasmin G. John, Andrew Lenton, Hongmei Li, Nicole S. Lovenduski, James C. Orr, Julien Palmiéri, Yeray Santana‐Falcón, Jörg Schwinger, Roland Séférian, Charles A. Stock, Alessandro Tagliabue, Yohei Takano, Jerry Tjiputra, Katsuya Toyama, Hiroyuki Tsujino, Michio Watanabe, A. Yamamoto, Andrew Yool, Tilo Ziehn

Notice bibliographique

RevueBiogeosciences · 2020
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensUniversity of VictoriaFisheries and Oceans Canada
Organismes subventionnairesBjerknessenteret for klimaforskning, Universitetet i BergenHorizon 2020Ministère de la Transition écologique et SolidaireEuropean CommissionSight Research UKNatural Environment Research CouncilU.S. Department of EnergyNorges ForskningsrådMinistry of Education, Culture, Sports, Science and TechnologyAgence Nationale de la RechercheNational Science Foundation
Mots-clésCoupled model intercomparison projectEnvironmental scienceRepresentative Concentration PathwaysEcosystemEffects of global warming on oceansNutrientPrimary productionClimate changeDeoxygenationPhotic zoneSea surface temperatureNew productionGlobal warmingNitrateMarine ecosystemAtmospheric sciencesClimatologyOceanographyClimate modelPhytoplanktonEcologyChemistryGeology

Résumé

récupéré en direct d'OpenAlex

Abstract. Anthropogenic climate change is projected to lead to ocean warming, acidification, deoxygenation, reductions in near-surface nutrients, and changes to primary production, all of which are expected to affect marine ecosystems. Here we assess projections of these drivers of environmental change over the twenty-first century from Earth system models (ESMs) participating in the Coupled Model Intercomparison Project Phase 6 (CMIP6) that were forced under the CMIP6 Shared Socioeconomic Pathways (SSPs). Projections are compared to those from the previous generation (CMIP5) forced under the Representative Concentration Pathways (RCPs). A total of 10 CMIP5 and 13 CMIP6 models are used in the two multi-model ensembles. Under the high-emission scenario SSP5-8.5, the multi-model global mean change (2080–2099 mean values relative to 1870–1899) ± the inter-model SD in sea surface temperature, surface pH, subsurface (100–600 m) oxygen concentration, euphotic (0–100 m) nitrate concentration, and depth-integrated primary production is +3.47±0.78 ∘C, -0.44±0.005, -13.27±5.28, -1.06±0.45 mmol m−3 and -2.99±9.11 %, respectively. Under the low-emission, high-mitigation scenario SSP1-2.6, the corresponding global changes are +1.42±0.32 ∘C, -0.16±0.002, -6.36±2.92, -0.52±0.23 mmol m−3, and -0.56±4.12 %. Projected exposure of the marine ecosystem to these drivers of ocean change depends largely on the extent of future emissions, consistent with previous studies. The ESMs in CMIP6 generally project greater warming, acidification, deoxygenation, and nitrate reductions but lesser primary production declines than those from CMIP5 under comparable radiative forcing. The increased projected ocean warming results from a general increase in the climate sensitivity of CMIP6 models relative to those of CMIP5. This enhanced warming increases upper-ocean stratification in CMIP6 projections, which contributes to greater reductions in upper-ocean nitrate and subsurface oxygen ventilation. The greater surface acidification in CMIP6 is primarily a consequence of the SSPs having higher associated atmospheric CO2 concentrations than their RCP analogues for the same radiative forcing. We find no consistent reduction in inter-model uncertainties, and even an increase in net primary production inter-model uncertainties in CMIP6, as compared to CMIP5.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,202
Écart entre enseignants0,184 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations868
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiogeosciencesMême sujetMarine and coastal ecosystemsTravaux en français237 207