Measuring the Dissipation Rate of Turbulent Kinetic Energy in Strongly Stratified, Low‐Energy Environments: A Case Study From the Arctic Ocean
Notice bibliographique
Résumé
Abstract We compare estimates of the turbulent dissipation rate, ε , obtained independently from coincident measurements of shear and temperature microstructure in the southeastern Beaufort Sea, a strongly stratified, low‐energy environment. The measurements were collected over 10 days in 2015 by an ocean glider equipped with microstructure instrumentation; they yield 28,575 shear‐derived and 21,577 temperature‐derived ε estimates. We find agreement within a factor of 2 from the two types of estimates when ε exceeds 3 × 10 −11 W/kg, a threshold we identify as the noise floor of the shear‐derived estimates. However, the temperature‐derived estimates suggest that the dissipation rate is lower than this threshold in 58% of our observations. Further, the noise floor of the shear measurements artificially skews the statistical distribution of ε below 10 −10 W/kg, that is, in 70% of our observations. The shear measurements overestimate portions of the geometric mean vertical profile of ε by more than an order of magnitude and underestimate the overall variability of ε by at least 2 orders of magnitude. We further discuss uncertainties that arise in both temperature‐ and shear‐derived ε estimates in strongly stratified, weakly turbulent conditions, and we demonstrate how turbulence spectra are systematically modified by stratification under these conditions. Using evidence from the temperature‐gradient spectral shapes and from the observed ε distributions, we suggest that the temperature‐derived dissipation rates are reliable to values as small as 2 × 10 −12 W/kg, making them preferable for characterizing the turbulent dissipation rates in the weakly turbulent environment of this study.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».