MétaCan
Menu
Retour à la cohorte
Enregistrement W2056536510 · doi:10.1029/2005jg000041

Effect of seafloor depth on phytoplankton blooms in high‐nitrate, low‐chlorophyll (HNLC) regions

2005· article· en· W2056536510 sur OpenAlexaff
Toby Tyrrell, Agostino Merico, Joanna J Waniek, C. S. Wong, Nicolas Metzl, Frank A. Whitney

Notice bibliographique

RevueJournal of Geophysical Research Atmospheres · 2005
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensNorth Pacific Marine Science OrganizationFisheries and Oceans Canada
Organismes subventionnairesNatural Environment Research CouncilGoddard Space Flight CenterNational Institute for Environmental StudiesInstitut Polaire Français Paul Emile VictorInstitut de France
Mots-clésOceanographySubarctic climateSeafloor spreadingPhytoplanktonGeologyChlorophyll aAlgal bloomEnvironmental scienceGeotracesNutrientEcologySeawaterBiology

Résumé

récupéré en direct d'OpenAlex

We calculated correlations between seafloor depth and phytoplankton blooms in all three main high‐nitrate, low‐chlorophyll (HNLC) regions, but with a particular focus on the subarctic North Pacific area. It has long been known that the central parts of the east and west subarctic North Pacific are HNLC regions. The deep western basin of the Bering Sea is also HNLC, whereas the wide continental shelf of the eastern Bering Sea is not. We carried out a statistical comparison of spatial maps of (1) seafloor depth and (2) chlorophyll a concentration from satellite data. This comparison reveals that shallow waters have, on average, higher peak chlorophyll a concentrations (more intense phytoplankton blooms) than deep waters (p ≪ 0.01). Possible artifacts of the satellite data are considered but it is concluded that the signal is genuine, in part because the same patterns are found in in situ data. There are several possible explanations for the observed correlation; the most probable, we suggest, is that iron diffusing out of the seafloor causes alleviation of iron limitation in shallow waters.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
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)0,0010,000

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 Opus0,016
Tête enseignante GPT0,278
Écart entre enseignants0,262 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations67
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research AtmospheresMême sujetMarine and coastal ecosystemsTravaux en français237 207