Edwin Cotard: Contraste isotopique du silicium entre zones Antarctique fertilisées et HNLC (High Nutrients Low Chlorophyll) le long de la section SWINGS (South West Indian Ocean GEOTRACES Section), traceur de la dynamique océanique du silicium.

Le silicium (Si) est un élément clé pour les organismes marins silicifiants. Sous forme d’acide silicique, il contrôle la production principalement des diatomées, prédominantes dans l’Océan Austral. Les diatomées sont l’un des principaux acteurs de la pompe à carbone biologique, particulièrement active en zone Antarctique et dans les zones naturellement riches en fer comme autour des plateaux de Kerguelen et de Heard. La pompe biologique est un paramètre crucial du cycle du carbone océanique qui contribue à séquestrer 13 PgC.an -1. De plus, elle est liée à l’export de la silice biogénique (BSi) vers les eaux profondes, notamment via les frustules de diatomées et ainsi joue un rôle climatique majeur. Cette zone particulièrement dynamique joue également un rôle indispensable dans la circulation global et la redistribution des nutriments vers la couche de mélange. L’Océan Austral sert de “hub” via la circulation méridienne de retournement et le courant circumpolaire Antarctique. L’objectif de cette étude est de mieux comprendre les facteurs contrôlant le cycle biogéochimique du Si et sa dynamique dans l’Océan Austral. Pour cela, nous utilisons les signatures isotopiques de Si, les concentrations d’acide silicique (DSi), de silice biogénique (BSi) et lithogène (LSi) ainsi que des observations des particules en suspension au microscope électronique à balayage (MEB) et des analyses pigmentaires. Différents milieux océaniques ont été échantillonnés en janvier et février 2021 lors de la campagne SWINGS, dans cette présentation nous nous concentrons exclusivement sur la zone Antarctique, au sud du front polaire, majoritairement HNLC et sur les plateaux de Kerguelen et de Heard. De manière générale, les mesures δ 30 Si de DSi sont plus légères pour les eaux profondes et deviennent plus lourdes vers la surface dû à la reminéralisation dominante en profondeur et au fractionnement isotopique en surface lié aux diatomées. Cependant les valeurs de δ30. Si de surface ne sont pas homogènes sur l’entièreté de la zone Antarctique. En effet, en fonction de la signature du réservoir source de DSi, les valeurs de surface sont significativement différentes (de 0,8‰ et en sub-surface de 0,3‰). La dynamique océanique et la remontée des eaux profondes circumpolaires, particulièrement marqué à la station la plus au sud du transect, joue un rôle déterminant. De plus, des variations significatives sont observées pour les zones sous influence de plateau, et tout particulièrement au niveau du plateau de Heard, ou les données sont homogènes et plus légère de 0,5 à 1‰, avec des concentrations élevées en LSi. Concernant les concentrations de BSi, elles augmentent généralement vers le sud, et au niveau des plateaux(au-delà de 5 μM au niveau de Heard et en profondeur au niveau de Kerguelen). Ce résultat est cohérent avec les observations MEB montrant une augmentation de la proportion de diatomées et de frustules vers le sud, y compris proche du fond à Kerguelen. Nous observons également des variations des signatures δ30  Si de BSi. Les données de surface varient fortement allant de 2,5‰ à 1,0‰ pour la station la plus au sud. Grâce à ces données et à la diversité des provinces biogéochimiques rencontrées, nous discuterons du degré d’utilisation du Si et de sa source dans la couche de mélange, de son devenir le long de la colonne d’eau et de son transport le long de la circulation globale profonde.

Constantin Bône: Detection and attribution of climate change using neural network.

A new detection and attribution method is presented and applied here to the global surface air temperature (GSAT) from 1900 to 2014. The changes of the GSAT are attributed to the variations of greenhouse gases, anthropogenic aerosols, and natural forcings.  Using the outputs from CMIP6 (Coupled model intercomparison project phase 6) climate models simulations, we train a convolutional neural network (CNN) to reproduce the GSAT simulated by the historical simulations from that of single-forcing simulations. Then, we perform a backward optimization of the trained CNN to estimate the attributable changes.  Such a method does not imply any additivity hypothesis in the effects of the forcings. The uncertainty is estimated using different random single-forcings members as starting points for the backward optimization. For comparison, the attributable changes are also calculated using the regularized optimal fingerprinting (ROF) method. The skills of both methods are evaluated following a perfect model approach. The attributed changes are coherent for both methods in terms of amplitude with lower uncertainties for greenhouse gases and anthropogenic aerosols and higher uncertainties for natural forcings for the backward optimization of the CNN compared to ROF. The method presented can be adapted and extended in future work, to attribute the changes of other physical variables or to focus on the regional scale.

Date & Time: Tue Nov 22 2022 14:00:00 GMT+0100 (Central European Standard Time)
Room: Salle 105 de l’UFR  46/56,
https://us02web.zoom.us/j/81076763119?pwd=VzBIZmNIZSswdXVSN0RjNVllVWRyZz09,
ID de réunion: 810 7676 3119