MétaCan
Menu
Retour à la cohorte
Enregistrement W2930228368 · doi:10.1016/j.dsr2.2019.04.002

Partitioning the Indian Ocean based on surface fields of physical and biological properties

2019· article· en· W2930228368 sur OpenAlexafffund
Yannick Huot, David Antoine, C. Daudon

Notice bibliographique

RevueDeep Sea Research Part II Topical Studies in Oceanography · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesNational Oceanic and Atmospheric AdministrationCanada Research ChairsCurtin University of Technology
Mots-clésSampling (signal processing)Environmental sciencePartition (number theory)Biogeochemical cycleHomogeneousOceanographyPhysical oceanographyClimatologySatelliteIndian oceanMeteorologyRemote sensingComputer scienceGeologyGeographyMathematicsEcology

Résumé

récupéré en direct d'OpenAlex

Comprehensively sampling the ocean in situ remains a challenge, even in the current era of rapid technological development. In less than a decade, the deployment of thousands of autonomous profiling floats increased the number of ocean temperature profiles by an order of magnitude compared to ship-based sampling in the past. But expendable floats cannot sample all the physical and biogeochemical regimes in the global ocean. A promising avenue that could guide in situ sampling is to partition oceans based on selected properties in order to identify "homogeneous" areas. This approach greatly reduces the number of measurements needed to represent the state of the ocean. However, homogeneous areas can be partitioned in many ways: depending on whether a single or several properties are considered; and on whether the definition of boundaries is left to expert knowledge or derived from objective analysis techniques. Here, we use a clustering method to map and partition many surface variables, and we further examine how this partitioning is affected by various ways of averaging or normalizing the input data. We performed this study using 15 different surface fields of physical and biological properties derived from satellite remote sensing observations and from global model outputs at a monthly resolution. The area of study is the Indian Ocean -one of the least-sampled oceans -which is the focus of a global research effort under the auspices of the second International Indian Ocean Expedition (IIOE-2). We show a strong effect of the average absolute values of the data, which can be removed to better examine the phenology of the properties. However, normalization is not mandatory; the technique selected should depend on the scientific questions at hand. Our clusters did generally did not match closely the regions identified by Longhurst in his seminal work on ocean provinces.

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)0,001
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 enseignants0,147
Score d'incertitude au seuil0,720

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,095
Tête enseignante GPT0,336
Écart entre enseignants0,242 · 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

Citations8
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDeep Sea Research Part II Topical Studies in OceanographyMême sujetMarine and fisheries researchTravaux en français237 207