MétaCan
Menu
Retour à la cohorte
Enregistrement W4392356801 · doi:10.1029/2023gl106300

Multi‐Decadal Coastal Acidification in the Northern Gulf of Mexico Driven by Climate Change and Eutrophication

2024· article· en· W4392356801 sur OpenAlexaff
Zong‐Pei Jiang, Cao Qin, Yiwen Pan, Chengfeng Le, Nancy N. Rabalais, Robert E. Turner, Katja Fennel, Kui Wang, Wei‐Jun Cai

Notice bibliographique

RevueGeophysical Research Letters · 2024
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOcean Acidification Effects and Responses
Établissements canadiensDalhousie University
Organismes subventionnairesNational Centers for Coastal Ocean ScienceNational Natural Science Foundation of ChinaNational Oceanic and Atmospheric AdministrationNational Science Foundation
Mots-clésEutrophicationOceanographyClimate changeOcean acidificationEnvironmental scienceClimatologyGeologyEcologyNutrient

Résumé

récupéré en direct d'OpenAlex

Abstract Coastal waters often experience enhanced ocean acidification due to the combined effects of climate change and regional biological and anthropogenic activities. Through reconstructing summertime bottom pH in the northern Gulf of Mexico from 1986 to 2019, we demonstrated that eutrophication‐fueled respiration dominated bottom pH changes on intra‐seasonal and interannual timescales, resulting in recurring acidification coinciding with hypoxia. However, the multi‐decadal acidification trend was principally driven by rising atmospheric CO 2 and ocean warming, with more acidified and less buffered hypoxic waters exhibiting a higher rate of pH decline (−0.0023 yr −1 ) compared to non‐hypoxic waters (−0.0014 yr −1 ). The cumulative effect of climate‐driven decrease in pH baseline is projected to become more significant over time, while the potential eutrophication‐induced seasonal exacerbation of acidification may lessen with decreasing oxygen availability resulting from ocean warming. Mitigating coastal acidification requires both global reduction in CO 2 emissions and regional management of riverine nutrient loads.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,776
Score d'incertitude au seuil0,261

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,305
Écart entre enseignants0,257 · 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 tête enseignante, 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

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetOcean Acidification Effects and ResponsesTravaux en français237 207