Can assimilation of satellite observations improve subsurface biological properties in a numerical model? A case study for the Gulf of Mexico
Notice bibliographique
Résumé
Abstract. Given current threats to ocean ecosystem health, there is a growing demand for accurate biogeochemical hindcasts, nowcasts, and predictions. Provision of such products requires data assimilation, i.e., a comprehensive strategy for incorporating observations into biogeochemical models, but current data streams of biogeochemical observations are generally considered insufficient for the operational provision of such products. This study investigates to what degree the satellite observations in combination with sparse BGC Argo profiles can improve subsurface biogeochemical properties. The multivariate Deterministic Ensemble Kalman Filter (DEnKF) has been implemented to assimilate physical and biological observations into a biogeochemical model of the Gulf of Mexico. First, the biogeochemical model component was tuned using BGC-Argo observations. Then, observations of sea surface height, sea surface temperature, and surface chlorophyll were assimilated, and profiles of both physical and biological variables were updated based on the surface information. We assessed whether this leads to improved subsurface distributions, especially of biological properties, using observations from five BGC-Argo floats that were not assimilated, but used in the a priori tuning. Results show that assimilation of the satellite data improves model representation of major circulation features, which translate into improved three-dimensional distributions of temperature and salinity. The multivariate assimilation also improves the agreement of subsurface nitrate through its tight correlation with temperature, but the improvements in subsurface chlorophyll were modest initially due to suboptimal choices of the model’s optical module. Repeating the assimilation run after adjusting light attenuation parameterization through further a priori tuning greatly improved the subsurface distribution of chlorophyll. Therefore, even sparse BGC-Argo observations can provide substantial benefits to biogeochemical prediction by enabling a priori model tuning. Given that, so far, the abundance of BGC-Argo profiles in the Gulf of Mexico and elsewhere is insufficient for sequential assimilation, updating 3D biological properties in a model that has been well calibrated is an intermediate step toward full assimilation of the new data types.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».