MétaCan
Menu
Retour à la cohorte
Enregistrement W2323524345 · doi:10.1002/2016gl068339

Near‐surface salinity and stratification in the north Bay of Bengal from moored observations

2016· article· en· W2323524345 sur OpenAlexaboutno aff
Debasis Sengupta, G. N. Bharath Raj, M. Ravichandran, J. Sree Lekha, Fabrice Papa

Notice bibliographique

RevueGeophysical Research Letters · 2016
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOceanographic and Atmospheric Processes
Établissements canadiensnon disponible
Organismes subventionnairesBangladesh University of Engineering and TechnologyNational Oceanic and Atmospheric AdministrationAgence Nationale de la RechercheIndian National Centre for Ocean Information ServicesUniversity of Engineering and Technology, Lahore
Mots-clésSalinityBayOceanographyMooringStratification (seeds)GeologyEddyMonsoonTemperature salinity diagramsBENGALMixed layerEnvironmental scienceSurface runoffClimatologyTurbulenceMeteorologyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract A thin layer of fresh water from summer monsoon rain and river runoff in the Bay of Bengal (BoB) has profound influence on air‐sea interaction across the south Asian region, but the mechanisms that sustain the low‐salinity layer are as yet unknown. Using the first long time series of high‐frequency observations from a mooring in the north BoB and satellite salinity data, we show that fresh water from major rivers is transported by large‐scale flow and eddies, and shallow salinity stratification persists from summer through the following winter. The moored observations show frequent 0.2–1.2 psu salinity jumps with time scales of 10 min to days, due to O(1–10) km submesoscale salinity fronts moving past the mooring. In winter, satellite sea surface temperature shows 10 km wide filaments of cool water, in line with moored data. Rapid salinity and temperature changes at the mooring are highly coherent, suggesting slumping of salinity‐dominated fronts. Based on these observations, we propose that submesoscale fronts may be one of the important drivers for the persistent fresh layer in the north BoB.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 seuil0,855

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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)0,0000,000

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 Opus0,054
Tête enseignante GPT0,272
Écart entre enseignants0,218 · 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 tête enseignante, 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

Citations119
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetOceanographic and Atmospheric ProcessesTravaux en français237 207