Observation system simulation experiments in the Atlantic Ocean for enhanced surface ocean <i>p</i> CO <sub>2</sub> reconstructions
Notice bibliographique
Résumé
Abstract. To derive an optimal observation system for surface ocean pCO2 in the Atlantic Ocean and the Atlantic sector of the Southern Ocean, 11 observation system simulation experiments (OSSEs) were completed. Each OSSE is a feedforward neural network (FFNN) that is based on a different data distribution and provides ocean surface pCO2 for the period 2008–2010 with a 5 d time interval. Based on the geographical and time positions from three observational platforms, volunteering observing ships, Argo floats and OceanSITES moorings, pseudo-observations were constructed using the outputs from an online-coupled physical–biogeochemical global ocean model with 0.25∘ nominal resolution. The aim of this work was to find an optimal spatial distribution of observations to supplement the widely used Surface Ocean CO2 Atlas (SOCAT) and to improve the accuracy of ocean surface pCO2 reconstructions. OSSEs showed that the additional data from mooring stations and an improved coverage of the Southern Hemisphere with biogeochemical ARGO floats corresponding to least 25 % of the density of active floats (2008–2010) (OSSE 10) would significantly improve the pCO2 reconstruction and reduce the bias of derived estimates of sea–air CO2 fluxes by 74 % compared to ocean model outputs.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».