MétaCan
Menu
Retour à la cohorte
Enregistrement W4399488048 · doi:10.1029/2023jc020404

How Much Can Riverine Biogeochemical Fluxes Affect the Arctic Ocean Acidification?

2024· article· en· W4399488048 sur OpenAlexaboutno aff
Yuanxin Zhang, Michiyo Yamamoto‐Kawai, Eiji Watanabe, Hotaek Park

Notice bibliographique

RevueJournal of Geophysical Research Oceans · 2024
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOcean Acidification Effects and Responses
Établissements canadiensnon disponible
Organismes subventionnairesJapan Society for the Promotion of ScienceMinistry of Education, Culture, Sports, Science and Technology
Mots-clésBiogeochemical cycleOcean acidificationEnvironmental scienceArcticOceanographyThe arcticAffect (linguistics)Climate changeEnvironmental chemistryChemistryGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Arctic rivers carry not only large amounts of freshwater but also biogeochemical materials into the ocean and play important roles in Arctic ocean acidification (OA). This study quantitatively evaluated the effects of riverine biogeochemical fluxes (R‐BGC; carbon and nutrients) on the Arctic marine carbonate system and OA using multi‐decadal experiments (1979–2018) with a pan‐Arctic sea ice–ocean model. Improved initial and lateral boundary conditions of carbonate properties, observation‐based riverine biogeochemical data, and land model‐based interannually varying riverine freshwater discharge were adopted to enable more realistic experiments. The model simulated negative trends in aragonite saturation state (Ω) and pH in most regions of Arctic Ocean regardless of R‐BGC. The increased riverine freshwater promoted more OA through the higher dilution effect. Compared to the experiment with riverine discharge of only freshwater, the inclusion of R‐BGC caused positive anomalies in Ω and pH (by ∼0.14 and ∼0.03 in central basins, and by ∼0.15 and ∼0.06 in shelf seas, respectively). In the central basins, these anomalies were caused mostly by carbon (total alkalinity and dissolved inorganic carbon) of the R‐BGC. In the shelf seas, nutrient (nitrate and silicate) fluxes also contributed ∼14% and ∼32% of the anomalies owing to the enhanced primary production and a corresponding reduction in seawater pCO2. R‐BGC mitigated OA (ΔΩ = −1.53 × 10−3 year−1 and ΔpH = −0.56 × 10−3 year−1) in regions where riverine freshwater was accumulated (i.e., the Canada Basin, Chukchi Cap, Eurasian Basin, and East Siberian Sea). This study stressed the importance of including R‐BGC for OA model projection.

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)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,034
Tête enseignante GPT0,308
Écart entre enseignants0,274 · 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

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research OceansMême sujetOcean Acidification Effects and ResponsesTravaux en français237 207