Challenges of modeling depth‐integrated marine primary productivity over multiple decades: A case study at BATS and HOT
Notice bibliographique
Résumé
The performance of 36 models (22 ocean color models and 14 biogeochemical ocean circulation models (BOGCMs)) that estimate depth‐integrated marine net primary productivity (NPP) was assessed by comparing their output to in situ 14 C data at the Bermuda Atlantic Time series Study (BATS) and the Hawaii Ocean Time series (HOT) over nearly two decades. Specifically, skill was assessed based on the models' ability to estimate the observed mean, variability, and trends of NPP. At both sites, more than 90% of the models underestimated mean NPP, with the average bias of the BOGCMs being nearly twice that of the ocean color models. However, the difference in overall skill between the best BOGCM and the best ocean color model at each site was not significant. Between 1989 and 2007, in situ NPP at BATS and HOT increased by an average of nearly 2% per year and was positively correlated to the North Pacific Gyre Oscillation index. The majority of ocean color models produced in situ NPP trends that were closer to the observed trends when chlorophyll‐ a was derived from high‐performance liquid chromatography (HPLC), rather than fluorometric or SeaWiFS data. However, this was a function of time such that average trend magnitude was more accurately estimated over longer time periods. Among BOGCMs, only two individual models successfully produced an increasing NPP trend (one model at each site). We caution against the use of models to assess multiannual changes in NPP over short time periods. Ocean color model estimates of NPP trends could improve if more high quality HPLC chlorophyll‐ a time series were available.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 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 ».