A Multivariable Empirical Algorithm for Estimating Particulate Organic Carbon Concentration in Marine Environments From Optical Backscattering and Chlorophyll-a Measurements
Notice bibliographique
Résumé
Accurate estimates of the oceanic particulate organic carbon concentration (POC) from optical measurements have remained challenging because interactions between light and natural assemblages of marine particles are complex, depending on particle concentration, composition, and size distribution. In particular, the applicability of a single relationship between POC and the spectral particulate backscattering coefficient bbp(λ) across diverse oceanic environments is subject to high uncertainties because of the variable nature of particulate assemblages. These relationships have nevertheless been widely used to estimate oceanic POC using, for example, in situ measurements of bbp from Biogeochemical (BGC)-Argo floats. Despite these challenges, such an in situbased approach to estimate POC remains scientifically attractive in view of the expanding global-scale observations with the BGC-Argo array of profiling floats equipped with optical sensors. In the current study, we describe an improved empirical approach to estimate POC which takes advantage of simultaneous measurements of bbp and chlorophyll-a fluorescence to better account for the effects of variable particle composition on the relationship between POC and bbp. We formulated multivariable regression models using a dataset of field measurements of POC, bbp, and chlorophyll-a concentration (Chla), including surface and subsurface water samples from the Atlantic, Pacific, Arctic, and Southern Oceans. The analysis of this dataset of diverse seawater samples demonstrates that the use of bbp and an additional independent variable related to particle composition involving both bbp and Chla leads to notable improvements in POC estimations compared with a typical univariate regression model based on bbp alone. These multivariable algorithms are expected to be particularly useful for estimating POC with measurements from autonomous BGC-Argo floats operating in diverse oceanic environments. We demonstrate example results from the multivariable algorithm applied to depth-resolved vertical measurements from BGC-Argo floats surveying the Labrador Sea.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».