Parameterization of vertical chlorophyll <i>a</i> in the Arctic Ocean: impact of the subsurface chlorophyll maximum on regional, seasonal, and annual primary production estimates
Notice bibliographique
Résumé
Abstract. Predicting water-column phytoplankton biomass from near-surface measurements is a common approach in biological oceanography, particularly since the advent of satellite remote sensing of ocean color (OC). In the Arctic Ocean, deep subsurface chlorophyll maxima (SCMs) that significantly contribute to primary production (PP) are often observed. These are neither detected by ocean color sensors nor accounted for in the primary production models applied to the Arctic Ocean. Here, we assemble a large database of pan-Arctic observations (i.e., 5206 stations) and develop an empirical model to estimate vertical chlorophyll a (Chl a) according to (1) the shelf–offshore gradient delimited by the 50 m isobath, (2) seasonal variability along pre-bloom, post-bloom, and winter periods, and (3) regional differences across ten sub-Arctic and Arctic seas. Our detailed analysis of the dataset shows that, for the pre-bloom and winter periods, as well as for high surface Chl a concentration (Chl asurf; 0.7–30 mg m−3) throughout the open water period, the Chl a maximum is mainly located at or near the surface. Deep SCMs occur chiefly during the post-bloom period when Chl asurf is low (0–0.5 mg m−3). By applying our empirical model to annual Chl asurf time series, instead of the conventional method assuming vertically homogenous Chl a, we produce novel pan-Arctic PP estimates and associated uncertainties. Our results show that vertical variations in Chl a have a limited impact on annual depth-integrated PP. Small overestimates found when SCMs are shallow (i.e., pre-bloom, post-bloom > 0.7 mg m−3, and the winter period) somehow compensate for the underestimates found when SCMs are deep (i.e., post-bloom < 0.5 mg m−3). SCMs are, however, important seasonal features with a substantial impact on depth-integrated PP estimates, especially when surface nitrate is exhausted in the Arctic Ocean and where highly stratified and oligotrophic conditions prevail.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».