MétaCan
Menu
Retour à la cohorte
Enregistrement W2809615095 · doi:10.1093/nsr/nwy066

Modelling marine DOC degradation time scales

2018· article· en· W2809615095 sur OpenAlexaff
Luca Polimene, Richard B. Rivkin, Ya‐Wei Luo, Eun Young Kwon, Marion Gehlen, M. Angélica Peña, Nannan Wang, Yantao Liang, Hermanni Kaartokallio, Nianzhi Jiao

Notice bibliographique

RevueNational Science Review · 2018
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensFisheries and Oceans CanadaMemorial University of Newfoundland
Organismes subventionnairesNatural Environment Research CouncilSight Research UK
Mots-clésDissolved organic carbonCarbon cycleDegradation (telecommunications)Environmental scienceCarbon fibersDeep seaEnvironmental chemistryClimate changeChemistryEcologyOceanographyGeologyBiologyEcosystemMathematicsComputer science

Résumé

récupéré en direct d'OpenAlex

Marine dissolved organic carbon (DOC) is formed of a large number of highly diverse molecules. Depending on the environmental conditions, a fraction of these molecules may become progressively resistant to bacterial degradation and accumulate in the ocean for extended time scales. This long-lived DOC (the so-called recalcitrant DOC, RDOC) is thought to play an important role in the global carbon cycle by sequestering carbon into the ocean interior and potentially affecting the climate. Despite this, RDOC formation is underrepresented in climate models. Here we propose a model formulation descripting DOC recalcitrance through two state variables: one representing the bulk DOC concentration and the other representing its degradability (k) which varies depending on the balance between the production of “new” DOC (assumed to be easily degradable) and bacterial DOC utilization assumed to leave behind more recalcitrant DOC. We propose this formulation as a means to include RDOC dynamics into climate model simulations.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,028
Tête enseignante GPT0,258
Écart entre enseignants0,230 · 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'étudeSimulation ou modélisation
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

Citations16
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Science ReviewMême sujetMarine and coastal ecosystemsTravaux en français237 207