Comment on bg-2021-189
Notice bibliographique
Résumé
<strong class="journal-contentHeaderColor">Abstract.</strong> Dimethyl sulfide (DMS) is a volatile biogenic gas with the potential to influence regional climate as a source of atmospheric aerosols and cloud condensation nuclei (CCN). The complexity of the oceanic DMS cycle presents a challenge in accurately predicting sea-surface concentrations and sea-air fluxes of this gas. In this study, we applied machine learning methods to model the distribution of DMS in the NE Subarctic Pacific (NESAP), a global DMS hot-spot. Using nearly two decades of ship-based DMS observations, combined with satellite-derived oceanographic data, we constructed ensembles of 1000 machine-learning models using two techniques, random forest regression (RFR) and artificial neural networks (ANN). Our models dramatically improve upon existing statistical DMS models, capturing up to 62 % of observed DMS variability in the NESAP and demonstrate notable regional patterns that are associated with mesoscale oceanographic variability. In particular, our results indicate a strong coherence between DMS concentrations, sea surface nitrate (SSN) concentrations, photosynthetically active radiation (PAR) and sea surface height anomalies (SSHA), suggesting that NESAP DMS cycling is primarily influenced by heterogenous nutrient availability, light-dependent processes and physical mixing. Based on our model output, we derive summertime, sea-air flux estimates ranging between 0.5–2.0 Tg S yr<sup>−1</sup> in the NESAP. Our work demonstrates a new approach to capturing spatial and temporal patterns in DMS variability, which is likely applicable to other oceanic regions.
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 | 0,000 |
| 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) | 0,043 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».