How Much Can Riverine Biogeochemical Fluxes Affect the Arctic Ocean Acidification?
Notice bibliographique
Résumé
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 pCO 2 . 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 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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».