MétaCan
Menu
Retour à la cohorte
Enregistrement W4280624653 · doi:10.3389/fmars.2022.866422

Integrating Multidisciplinary Observations in Vent Environments (IMOVE): Decadal Progress in Deep-Sea Observatories at Hydrothermal Vents

2022· article· en· W4280624653 sur OpenAlexaffabout
Marjolaine Matabos, Thibaut Barreyre, S. Kim Juniper, Mathilde Cannat, Deborah S. Kelley, Joan M. Alfaro‐Lucas, Valérie Chavagnac, Ana Colaço, J. Escartı́n, Elva Escobar‐Briones, Daniel J. Fornari, Jörg Hasenclever, Julie A. Huber, Agathe Laës, Nadine Lantéri, Lisa A. Levin, Steve Mihály, E. L. Mittelstaedt, Florence Pradillon, Pierre‐Marie Sarradin, Jozée Sarrazin, Beatrice Tomasi, Clément Vic

Notice bibliographique

RevueFrontiers in Marine Science · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine Biology and Ecology Research
Établissements canadiensOcean Networks Canada SocietyUniversity of Victoria
Organismes subventionnairesFundação para a Ciência e a TecnologiaUniversitetet i BergenCentre National de la Recherche ScientifiqueEuropean CommissionAgence Nationale de la RechercheISblueUniversidade dos AçoresNational Science Foundation
Mots-clésContext (archaeology)OceanographyDeep seaHydrothermal ventClimate changeEnvironmental scienceLead (geology)Ocean acidificationEnvironmental changeEarth scienceGeologyEcosystemEcologyPaleontologyHydrothermal circulation

Résumé

récupéré en direct d'OpenAlex

The unique ecosystems and biodiversity associated with mid-ocean ridge (MOR) hydrothermal vent systems contrast sharply with surrounding deep-sea habitats, however both may be increasingly threatened by anthropogenic activity (e.g., mining activities at massive sulphide deposits). Climate change can alter the deep-sea through increased bottom temperatures, loss of oxygen, and modifications to deep water circulation. Despite the potential of these profound impacts, the mechanisms enabling these systems and their ecosystems to persist, function and respond to oceanic, crustal, and anthropogenic forces remain poorly understood. This is due primarily to technological challenges and difficulties in accessing, observing and monitoring the deep-sea. In this context, the development of deep-sea observatories in the 2000s focused on understanding the coupling between sub-surface flow and oceanic and crustal conditions, and how they influence biological processes. Deep-sea observatories provide long-term, multidisciplinary time-series data comprising repeated observations and sampling at temporal resolutions from seconds to decades, through a combination of cabled, wireless, remotely controlled, and autonomous measurement systems. The three existing vent observatories are located on the Juan de Fuca and Mid-Atlantic Ridges (Ocean Observing Initiative, Ocean Networks Canada and the European Multidisciplinary Seafloor and water column Observatory). These observatories promote stewardship by defining effective environmental monitoring including characterizing biological and environmental baseline states, discriminating changes from natural variations versus those from anthropogenic activities, and assessing degradation, resilience and recovery after disturbance. This highlights the potential of observatories as valuable tools for environmental impact assessment (EIA) in the context of climate change and other anthropogenic activities, primarily ocean mining. This paper provides a synthesis on scientific advancements enabled by the three observatories this last decade, and recommendations to support future studies through international collaboration and coordination. The proposed recommendations include: i) establishing common global scientific questions and identification of Essential Ocean Variables (EOVs) specific to MORs, ii) guidance towards the effective use of observatories to support and inform policies that can impact society, iii) strategies for observatory infrastructure development that will help standardize sensors, data formats and capabilities, and iv) future technology needs and common sampling approaches to answer today’s most urgent and timely questions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,247
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Marine ScienceMême sujetMarine Biology and Ecology ResearchTravaux en français237 207