MétaCan
Menu
Retour à la cohorte
Enregistrement W4412026753 · doi:10.1016/j.chemgeo.2025.122952

Quantifying the contribution of biogenic iron sulfides to magnesite formation in the Basque Lakes, British Columbia, Canada

2025· article· en· W4412026753 sur OpenAlexafffundabout
Colton J. Vessey, Maija J. Raudsepp, Maria Arizaleta, Sasha Wilson, Anna L. Harrison, Kelly Rozanitis, Helen E. A. Brand, Kurt O. Konhauser, Kwon Rausis, Ian Power

Notice bibliographique

RevueChemical Geology · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMine drainage and remediation techniques
Établissements canadiensTrent UniversityUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésMagnesiteGeologyOceanographyArchaeologyGeochemistryGeographyChemistry

Résumé

récupéré en direct d'OpenAlex

Understanding terrestrial carbon cycling is important to develop carbon dioxide removal (CDR) technologies. Neutralization of carbonic acid (H 2 CO 3 ) to make carbonate minerals provides a secure, long-term sink for CO 2 in natural and anthropogenic systems. In the sediment, dissimilarly sulfate reduction has the potential to generate alkalinity and induce biogenic precipitation of carbonate minerals, however, the proportion of Fe-sulfides to carbonate minerals is rarely quantified. Saline and hypersaline lakes containing carbonate minerals are excellent environments to examine closed system geochemical cycles of carbon, sulfur and iron. Here, we quantified the contribution of biogenic Fe-sulfide minerals and buried organic carbon to magnesite (MgCO 3 ) formation in the sediment of Basque Lake #2, a Mg-Na-SO 4 hypersaline lake near Ashcroft, British Columbia, Canada. While the overlying surface water contains over 2 M SO 4 2− , the total solid iron sulfide content of the sediment was <0.4 wt%. The Basque Lake #2 sediment core had much more abundant carbonate minerals than sulfide minerals, suggesting the biogenic processes that form Fe-sulfides have a minimal role in magnesite formation (<1.0 wt%). Laboratory experiments were also conducted to study the relative influence of microbial sulfate and iron reduction on alkalinity generation and biogenic mineral formation with different organic carbon amendments. Filter-sterilized sulfate-rich waters (∼800 mM SO 4 2− ) from Basque Lake #1 were inoculated with anoxic Basque Lake sediment and microbial communities with or without the addition of ferrihydrite [Fe 10 III O 14 (OH) 2 ]. Biogenic magnetite (Fe III 2 Fe II O 4 ) and mackinawite (Fe II S) formed when ferrihydrite was added to microbial experiments and siderite (Fe II CO 3 ) precipitated in the lactate-amended experiment. The bulk analysis techniques used in these laboratory experiments suggest there is minimal to no additional magnesite precipitation. This study highlights that in closed systems, such as Basque Lake #2, the role of dissimilatory sulfate reduction in net carbonate precipitation will be limited by ferric iron input into lakes, which therefore inhibits biogenic Fe-sulfide formation, even with extremely high aqueous sulfate concentrations. Ultimately, it is unlikely that sulfate and iron reduction play important roles in Mg‑carbonate formation within Fe-limited environments. • Basque #2 lake sediment is composed of magnesite, gypsum and Mg-sulfate minerals. • Only ∼1 % of magnesite is due to precipitation of biogenic Fe-sulfide minerals. • Organic carbon amendments to Basque sediment resulted in an alkalinity increase. • Ability of dissimilatory sulfate reduction to capture CO 2 as carbonates is limited.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,334
Score d'incertitude au seuil0,370

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,006
Tête enseignante GPT0,213
Écart entre enseignants0,207 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueChemical GeologyMême sujetMine drainage and remediation techniquesTravaux en français237 207