Maximizing the Detectability of Ocean Alkalinity Enhancement (OAE) While Minimizing Its Exposure Risks: Insights From a Numerical Study
Notice bibliographique
Résumé
Abstract Ocean alkalinity enhancement (OAE) can potentially remove gigatons of CO 2 from the atmosphere for durable storage in the ocean. Before implementing OAE at climate‐relevant scales, questions about its safety and verifiability must be addressed. Operational deployment poses a dilemma between pursuing large detectability, essential for effective monitoring, reporting, and verification, and ensuring environmental safety and satisfying regulatory requirements. In this study, we present a computationally efficient approach, based on a high‐resolution, coupled circulation‐dissolution model of Halifax Harbor, to simulating the addition, transportation, dissolution, and sinking of various theoretical alkaline feedstocks for different dosages, seasons, and addition sites. Detectability and exposure risk of OAE are quantified and an approach for optimizing OAE deployment is demonstrated. Mean residence times (MRT) are calculated for different subregions and seasons. Results show that for a given amount of feedstock, summer is more favorable from the perspective of detectability but also creates higher exposure risks than other seasons because of a longer MRT. The exposure risk can be mitigated while maintaining large detectability by choosing optimal feedstocks with different characteristics for different seasons. The exposure risk can also be reduced by spreading alkalinity over multiple addition sites. The optimum allocation, where the largest detectability is sought without violating regulatory requirements, is specific to each season, dosage, and choice of feedstock. OAE deployments should be tailored taking into account local hydrography, season, dosage, and feedstock characteristics. Our approach provides a practical avenue for optimizing deployments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».