Net primary productivity estimates and environmental variables in the Arctic Ocean: An assessment of coupled physical-biogeochemical models
Notice bibliographique
Résumé
The relative skill of 21 regional and global biogeochemical models was assessed in terms of how well the models reproduced observed net primary productivity (NPP) and environmental variables such as nitrate concentration (NO3), mixed layer depth (MLD), euphotic layer depth (Zeu), and sea ice concentration, by comparing results against a newly updated, quality-controlled in situ NPP database for the Arctic Ocean (1959–2011). The models broadly captured the spatial features of integrated NPP (iNPP) on a pan-Arctic scale. Most models underestimated iNPP by varying degrees in spite of overestimating surface NO3, MLD, and Zeu throughout the regions. Among the models, iNPP exhibited little difference over sea ice condition (ice-free versus ice-influenced) and bottom depth (shelf versus deep ocean). The models performed relatively well for the most recent decade and toward the end of Arctic summer. In the Barents and Greenland Seas, regional model skill of surface NO3 was best associated with how well MLD was reproduced. Regionally, iNPP was relatively well simulated in the Beaufort Sea and the central Arctic Basin, where in situ NPP is low and nutrients are mostly depleted. Models performed less well at simulating iNPP in the Greenland and Chukchi Seas, despite the higher model skill in MLD and sea ice concentration, respectively. iNPP model skill was constrained by different factors in different Arctic Ocean regions. Our study suggests that better parameterization of biological and ecological microbial rates (phytoplankton growth and zooplankton grazing) are needed for improved Arctic Ocean biogeochemical modeling.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».