Seasonal patterns in greenhouse gas emissions from lakes and ponds in a High Arctic polygonal landscape
Notice bibliographique
Résumé
Abstract Lakes and ponds can be hotspots for CO 2 and CH 4 emissions, but Arctic studies remain scarce. Here we present diffusive and ebullition fluxes collected over several years from 30 ponds and 4 lakes formed on an organic‐rich polygonal tundra landscape. Water body morphology strongly affects the mixing regime—and thus the seasonal patterns in gas emissions—with ice‐out and autumnal turnover periods identified as hot moments in most cases. The studied thermokarst lake maintained relatively high ebullition rates of millennia‐old CH 4 (up to 3405 14 C YBP). Larger and deeper kettle lakes maintained low fluxes of both gases (century to millennium‐old), slowly turning into a CO 2 sink over the summer. During winter, lakes accumulated CO 2 , which was emitted during the ice‐out period. Coalescent polygonal ponds, influenced by photosynthesizing benthic mats, were continuous CO 2 sinks, yet important CH 4 emitters (modern carbon). The highest fluxes were recorded from ice‐wedge trough ponds (up to 96 mmol CO 2 equivalent m −2 d −1 ). However, despite clear signs of permafrost carbon inputs via active shore erosion, these sheltered ponds emitted modern to century‐old greenhouse gases. As the ice‐free period lengthens, scenarios of warmer and wetter conditions could favor both the production of CO 2 and CH 4 from thawing permafrost carbon, and CH 4 production from recently fixed carbon through an atmospheric CO 2 ‐to‐CH 4 shunt at sites in which primary production is stimulated. This must be carefully considered at the landscape scale, recognizing that older carbon stocks can be mineralized efficiently in specific locations, such as in thermokarst lakes.
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) | 0,003 | 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 ».