Glider-based observations of CO <sub>2</sub> in the Labrador Sea
Notice bibliographique
Résumé
Abstract. Ocean gliders can provide high-spatial- and temporal-resolution data and target specific ocean regions at a low cost compared to ship-based measurements. An important gap, however, given the need for carbon measurements, is the lack of capable sensors for glider-based CO2 measurements. We need to develop robust methods to evaluate novel CO2 sensors for gliders. Here we present results from testing the performance of a novel CO2 optode sensor (Atamanchuk et al., 2014), deployed on a Slocum glider, in the Labrador Sea and on the Newfoundland Shelf. This paper (1) investigates the performance of the CO2 optode on two glider deployments, (2) demonstrates the utility of using the autonomous SeaCycler profiler mooring (Send et al., 2013; Atamanchuk et al., 2020) to improve in situ sensor data, and (3) presents data from moored and mobile platforms to resolve fine scales of temporal and spatial variability of O2 and pCO2 in the Labrador Sea. The Aanderaa CO2 optode is an early prototype sensor that has not undergone rigorous testing on a glider but is compact and uses little power. Our analysis shows that the sensor suffers from instability and slow response times (τ95>100 s), affected by different behavior when profiling through small (<3 ∘C) vs. large (>10 ∘C) changes in temperature over similar time intervals. We compare the glider and SeaCycler O2 and CO2 observations and estimate the glider data uncertainty as ± 6.14 and ± 44.01 µatm, respectively. From the Labrador Sea mission, we point to short timescales (<7 d) and distance (<15 km) scales as important drivers of change in this region.
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 | 0,002 |
| 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 ».