MétaCan
Menu
← Retour à la cohorte
Enregistrement W3180162454 · doi:10.5194/egusphere-egu2020-21368

Arctic sea-ice decline impacts on primary production

2020· article· en· W3180162454 sur OpenAlexaff
Letizia Tedesco, Eva Leu, Marc Macias‐Fauria, C. J. Mundy, Dirk Notz, Janne E. Søreide, Malin Daase, Jakob Doerr, Eric Post

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Environment Research CouncilSight Research UK
Mots-clésArcticTrophic levelSea iceEnvironmental scienceMarine ecosystemArctic ecologyArctic sea ice declineOceanographyArctic geoengineeringPrimary producersEcosystemClimate changePrimary productivityProductivityEcologyGlobal warmingArctic ice packPrimary productionSea ice thicknessBiologyPhytoplanktonGeologyNutrient

Résumé

récupéré en direct d'OpenAlex

Arctic food webs are short and relatively species poor, rendering them vulnerable to changes or perturbations at any individual trophic level. High-latitude warming represents one major source of potential perturbation to Arctic marine and terrestrial food webs, which may experience cascading effects derived from changes in primary production through so-called “bottom-up” effects. We synthesize current knowledge on i) the changing Arctic marine icescape, ii) the drivers of biological changes for Arctic marine primary production, iii) the different pulses of Arctic marine primary production, iv) patterns of marine trophic and phenological changes, and iv) some mechanisms through which sea-ice dynamics ostensibly influence terrestrial primary productivity. We deliver a set of predictions for key productivity indicators, propose a semi-quantitative model of the expected future changes in primary production in the ice-covered Arctic Ocean, and close with an overview of the challenges ahead for reaching a holistic and comprehensive understanding of the ecosystem dynamical consequences and associated impacts on human life of warming-related sea-ice decline.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,067

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,016
Tête enseignante GPT0,210
Écart entre enseignants0,193 · 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'étudeObservationnel
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetArctic and Antarctic ice dynamics→Travaux en français237 207→