Modeling considerations for research on Ocean Alkalinity Enhancement (OAE)
Notice bibliographique
Résumé
Abstract. The deliberate increase of ocean alkalinity (referred to as Ocean Alkalinity Enhancement or OAE) has been proposed as a method for removing CO2 from the atmosphere. Before OAE can be implemented safely, efficiently, and at scale several research questions have to be addressed including: 1) which alkaline feedstocks are best suited and in what doses can they be added safely, 2) how can net carbon uptake be measured and verified, and 3) what are the potential ecosystem impacts. These research questions cannot be addressed by direct observation alone but will require skillful and fit-for-purpose models. This chapter provides an overview of the most relevant modeling tools, including turbulence-, regional- and global-scale biogeochemical models, and techniques including approaches for model validation, data assimilation, and uncertainty estimation. Typical biogeochemical model assumptions and their limitations are discussed in the context of OAE research, which leads to an identification of further development needs to make models more applicable to OAE research questions. A description of typical steps in model validation is followed by proposed minimum criteria for what constitutes a model that is fit for its intended purpose. After providing an overview of approaches for sound integration of models and observations via data assimilation, the application of Observing System Simulation Experiments (OSSEs) for observing system design is described within the context of OAE research. Criteria for model validation and intercomparison studies are presented. The article concludes with a summary of recommendations and potential pitfalls to be avoided.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».