Biomarker Distributions in (Sub)‐Arctic Surface Sediments and Their Potential for Sea Ice Reconstructions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract To evaluate the present sea ice changes in a longer‐term perspective, the knowledge of sea ice variability on preindustrial and geological time scales is essential. For the interpretation of proxy reconstructions it is necessary to understand the recent signals of different sea ice proxies from various regions. We present 260 new sediment surface samples collected in the (sub‐)Arctic Oceans that were analyzed for specific sea ice (IP 25 ) and open‐water phytoplankton biomarkers (brassicasterol, dinosterol, and highly branched isoprenoid [HBI] III). This new biomarker data set was combined with 615 previously published biomarker surface samples into a pan‐Arctic database. The resulting pan‐Arctic biomarker and sea ice index (PIP 25 ) database shows a spatial distribution correlating well with the diverse modern sea ice concentrations. We find correlations of P B IP 25 , P D IP 25 , and P III IP 25 with spring and autumn sea ice concentrations. Similar correlations with modern sea ice concentrations are observed in Baffin Bay. However, the correlations of the PIP 25 indices with modern sea ice concentrations differ in Fram Strait from those of the (sub‐)Arctic data set, which is likely caused by region‐specific differences in sea ice variability, nutrient availability, and other environmental conditions. The extended (sea ice) biomarker database strengthens the validity of biomarker sea ice reconstructions in different Arctic regions and shows how different sea ice proxies combined may resolve specific seasonal sea ice conditions.
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.
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) | 0,000 | 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 découle