A first appraisal of prognostic ocean DMS models and prospects for their use in climate models
Notice bibliographique
Résumé
Ocean dimethylsulfide (DMS) produced by marine biota is the largest natural source of atmospheric sulfur, playing a major role in the formation and evolution of aerosols, and consequently affecting climate. Several dynamic process‐based DMS models have been developed over the last decade, and work is progressing integrating them into climate models. Here we report on the first international comparison exercise of both 1D and 3D prognostic ocean DMS models. Four global 3D models were compared to global sea surface chlorophyll and DMS concentrations. Three local 1D models were compared to three different oceanic stations (BATS, DYFAMED, OSP) where available time series data offer seasonal coverage of chlorophyll and DMS variability. Two other 1D models were run at one site only. The major point of divergence among models, both within 3D and 1D models, relates to their ability to reproduce the summer peak in surface DMS concentrations usually observed at low to mid‐ latitudes. This significantly affects estimates of global DMS emissions predicted by the models. The inability of most models to capture this summer DMS maximum appears to be constrained by the basic structure of prognostic DMS models: dynamics of DMS and dimethylsulfoniopropionate (DMSP), the precursor of DMS, are slaved to the parent ecosystem models. Only the models which include environmental effects on DMS fluxes independently of ecological dynamics can reproduce this summer mismatch between chlorophyll and DMS. A major conclusion of this exercise is that prognostic DMS models need to give more weight to the direct impact of environmental forcing (e.g., irradiance) on DMS dynamics to decouple them from ecological processes.
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) | 0,000 | 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 ».