Probing the Bioavailability of Dissolved Iron to Marine Eukaryotic Phytoplankton Using In Situ Single Cell Iron Quotas
Notice bibliographique
Résumé
Abstract We present a new approach for quantifying the bioavailability of dissolved iron (dFe) to oceanic phytoplankton. Bioavailability is defined using an uptake rate constant (k in‐app ) computed by combining data on: (a) Fe content of individual in situ phytoplankton cells; (b) concurrently determined seawater dFe concentrations; and (c) growth rates estimated from the PISCES model. We examined 930 phytoplankton cells, collected between 2002 and 2016 from 45 surface stations during 11 research cruises. This approach is only valid for cells that have upregulated their high‐affinity Fe uptake system, so data were screened, yielding 560 single cell k in‐app values from 31 low‐Fe stations. We normalized k in‐app to cell surface area (S.A.) to account for cell‐size differences. The resulting bioavailability proxy ( k in‐app /S.A.) varies among cells, but all values are within bioavailability limits predicted from defined Fe complexes. In situ dFe bioavailability is higher than model Fe‐siderophore complexes and often approaches that of highly available inorganic Fe′. Station averaged k in‐app /S.A. are also variable but show no systematic changes across location, temperature, dFe, and phytoplankton taxa. Given the relative consistency of k in‐app /S.A. among stations (ca. five‐fold variation), we computed a grand‐averaged dFe availability, which upon normalization to cell carbon (C) yields k in‐app /C of 42,200 ± 11,000 L mol C −1 d −1 . We utilize k in‐app /C to calculate dFe uptake rates and residence times in low Fe oceanic regions. Finally, we demonstrate the applicability of k in‐app /C for constraining Fe uptake rates in earth system models, such as those predicting climate mediated changes in net primary production in the Fe‐limited Equatorial Pacific.
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 | 0,001 |
| 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 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 ».