Global trends in marine nitrate N isotopes from observations and a neural network-based climatology
Notice bibliographique
Résumé
Abstract. Nitrate is a critical ingredient for life in the ocean because, as the most abundant form of fixed nitrogen in the ocean, it is an essential nutrient for primary production. The availability of marine nitrate is principally determined by biological processes, each having a distinct influence on the N isotopic composition of nitrate (nitrate δ15N) – a property that informs much of our understanding of the marine N cycle as well as marine ecology, fisheries, and past ocean conditions. However, the sparse spatial distribution of nitrate δ15N observations makes it difficult to apply this useful property in global studies or to facilitate robust model–data comparisons. Here, we use a compilation of published nitrate δ15N measurements (n=12 277) and climatological maps of physical and biogeochemical tracers to create a surface-to-seafloor, 1∘ resolution map of nitrate δ15N using an ensemble of artificial neural networks (EANN). The strong correlation (R2>0.87) and small mean difference (<0.05 ‰) between EANN-estimated and observed nitrate δ15N indicate that the EANN provides a good estimate of climatological nitrate δ15N without a significant bias. The magnitude of observation-model residuals is consistent with the magnitude of seasonal to interannual changes in observed nitrate δ15N that are not captured by our climatological model. The EANN provides a globally resolved map of mean nitrate δ15N for observational and modeling studies of marine biogeochemistry, paleoceanography, and marine ecology.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».