Hierarchy of calibrated global models reveals improved distributions and fluxes of biogeochemical tracers in models with explicit representation of iron
Notice bibliographique
Résumé
Abstract Iron is represented in biogeochemical ocean models by a variety of structurally different approaches employing generally poorly constrained empirical parameterizations. Increasing the structural complexity of iron modules also increases computational costs and introduces additional uncertainties, with as yet unclear benefits. In order to demonstrate the benefits of explicitly representing iron, we calibrate a hierarchy of iron modules and evaluate the remaining model-data misfit. The first module includes a complex iron cycle with major processes resolved explicitly, the second module applies iron limitation in primary production using prescribed monthly iron concentration fields, and the third module does not explicitly include iron effects at all. All three modules are embedded into the same circulation model. Models are calibrated against global data sets of NO 3 , PO 4 and O 2 applying a state-of-the-art multi-variable constraint parameter optimization. The model with fully resolved iron cycle is marginally (up to 4.8%) better at representing global distributions of NO 3 , PO 4 and O 2 compared to models with implicit or absent parameterizations of iron. We also found a slow down of global surface nutrient cycling by about 30% and a shift of productivity from the tropics to temperate regions for the explicit iron module. The explicit iron model also reduces the otherwise overestimated volume of suboxic waters, yielding results closer to observations.
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 | 0,000 |
| 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) | 0,000 | 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 ».