Pan-Arctic soil element bioavailability estimations
Notice bibliographique
Résumé
Abstract. Arctic soils store large amounts of organic carbon and other elements, such as amorphous silicon, silicon, calcium, iron, aluminum, and phosphorous. Global warming is projected to be most pronounced in the Arctic, leading to thawing permafrost which, in turn, changes the soil element availability. To project how biogeochemical cycling in Arctic ecosystems will be affected by climate change, there is a need for data on element availability. Here, we analyzed the amorphous silicon (ASi) content as a solid fraction of the soils as well as Mehlich III extractions for the bioavailability of silicon (Si), calcium (Ca), iron (Fe), phosphorus (P), and aluminum (Al) from 574 soil samples from the circumpolar Arctic region. We show large differences in the ASi fraction and in Si, Ca, Fe, Al, and P availability among different lithologies and Arctic regions. We summarize these data in pan-Arctic maps of the ASi fraction and available Si, Ca, Fe, P, and Al concentrations, focusing on the top 100 cm of Arctic soil. Furthermore, we provide element availability values for the organic and mineral layers of the seasonally thawing active layer as well as for the uppermost permafrost layer. Our spatially explicit data on differences in the availability of elements between the different lithological classes and regions now and in the future will improve Arctic Earth system models for estimating current and future carbon and nutrient feedbacks under climate change (https://doi.org/10.17617/3.8KGQUN, Schaller and Goeckede, 2022).
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,011 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».