Can We Accurately Quantify a Lateral Diffusivity from a Single Tracer Release?
Notice bibliographique
Résumé
Abstract Mixing along sloping isopycnals plays a key role in the transport and uptake of heat and carbon by the ocean. This mixing is quantified by a lateral diffusivity, which can be measured by tracking the lateral spreading of point release tracer patches. We present a definition for the area of a tracer patch, the time derivative of which provides the lateral diffusivity. To accurately estimate the diffusivity, an ensemble mean concentration field of many tracer release experiments is required. We use numerical experiments to quantify how accurately the “true” lateral diffusivity (obtained from the ensemble mean concentration field) can be estimated from a single tracer release experiment (one ensemble member). To simulate observational campaigns, we also estimate the diffusivity from a single tracer release that is spatially and/or temporally subsampled, quantifying how the error between the estimated diffusivity and the true diffusivity grows as this sampling resolution worsens. We perform these numerical experiments in a two-layer quasigeostrophic model of turbulent flow on a β plane, using an ensemble of 50 passive tracer release experiments, each initialized as a 2D Gaussian but with differing realizations of the turbulent flow. We find that the diffusivity estimates from the single tracer releases have a relative root-mean-square error (RMSE) of 1.43% from the true diffusivity. Subsampling a single tracer release experiment every 956 km increases the relative RMSE from the true diffusivity to 3.1%; also subsampling every 277 days raises this figure to 6.5%.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».