Underestimation of oceanic carbon uptake in the Arctic Ocean: ice melt as predictor of the sea ice carbon pump
Notice bibliographique
Résumé
Abstract. The Arctic Ocean is generally undersaturated in CO2 and acts as a net sink of atmospheric CO2. This oceanic uptake is strongly modulated by sea ice, which can prevent air–sea gas exchange and has major impacts on stratification and primary production. Moreover, carbon is stored in sea ice with a ratio of alkalinity to dissolved inorganic carbon that is larger than in seawater. It has been suggested that this storage amplifies the seasonal cycle of seawater pCO2 and leads to an increase in oceanic carbon uptake in seasonally ice-covered regions compared to those that are ice-free. Given the rapidly changing ice scape in the Arctic Ocean, a better understanding of the link between the seasonal cycle of sea ice and oceanic uptake of CO2 is needed. Here, we investigate how the storage of carbon in sea ice affects the air–sea CO2 flux and quantify its dependence on the ratio of alkalinity to inorganic carbon in ice. To this end, we present two independent approaches: a theoretical framework that provides an analytical expression of the amplification of carbon uptake in seasonally ice-covered oceans and a simple parameterization of carbon storage in sea ice implemented in a 1D physical–biogeochemical ocean model. Sensitivity simulations show a linear relation between ice melt and the amplification of seasonal carbon uptake. A 30 % increase in carbon uptake in the Arctic Ocean is estimated compared to ice melt without amplification. Applying this relationship to different future scenarios from an earth system model that does not account for the effect of carbon storage in sea ice suggests that Arctic Ocean carbon uptake is underestimated by 5 % to 15 % in these simulations.
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 | 0,001 | 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 | 0,001 | 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 ».