Next steps for assessing ocean iron fertilization for marine carbon dioxide removal
Notice bibliographique
Résumé
There are many potential approaches to marine carbon dioxide removal (mCDR), of which ocean iron fertilization (OIF) has the longest history of study. However, OIF studies to date were not primarily designed to quantify the durability of carbon (C) storage, nor how wise OIF might be as an mCDR approach. To quantify C sequestration, we introduce a metric called the “centennial tonne,” defined as 1,000 kg of C isolated from atmospheric contact for on average at least 100 years. We present the activities needed to assess OIF from a scientific and technological perspective, and additionally, how it might be responsibly studied and potentially deployed. The five activities include: field studies in the Northeast Pacific; improved modeling for field studies, data assimilation and predictions at larger scales; improvements in monitoring, reporting and verification (MRV) for C, and also MRV for tracking ecological and environmental impacts; and developing new iron sources and their delivery, to increase efficiencies and reduce costs. The fifth activity is to understand whether public and community support exists for OIF, and what governance structures might support further research and possible deployment of OIF. This article is written by a multidisciplinary experts group called Exploring Ocean Iron Solutions (ExOIS) that is organized around a responsible code of conduct. Of the mCDR approaches, OIF has the potential to be low cost, scalable, and rapidly deployable. Reducing CO 2 emissions must lead the way, but there is also an urgency to decide under what conditions and whether OIF might be deployed or not.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».