Ocean acoustic backscattering: When you can ignore acoustic scatter from turbulence and when you can’t
Notice bibliographique
Résumé
While models predicting measurable levels of acoustic backscattering from oceanic turbulence have been around for decades, they have proven notoriously hard to confirm. This is, in part, because potential turbulent scattering layers often coincide with zooplankton layers. Therefore, as zooplankton are known to cause measurable acoustic scatter, the source of scatter is obscured. Furthermore, estimates of zooplankton abundance from acoustic scattering measurements have been shown to agree with independent measures under a number of circumstances. This gives circumstantial evidence to fuel the belief that scatter from turbulence is negligible. In addition, even if the turbulent scattering theory is correct, it predicts that over most of the ocean the turbulent intensities and/or stratifications are too weak to give turbulent scatter of a similar magnitude as is observed from zooplankton layers. Yet, despite all this, here data are presented that show circumstances when scatter from turbulence is significant. The areas of the ocean (mostly coastal) that one might have to be concerned about turbulent scatter are discussed, as well as the intriguing idea of using technology already developed for zooplankton observation to measure turbulence. This technology could facilitate the in situ study of biophysical interactions between zooplankton and turbulence.
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 | 0,010 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,005 |
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 ».