MétaCan
Menu
← Retour à la cohorte
Enregistrement W4322210246 · doi:10.5194/egusphere-egu23-15366

Optimizing simulated oxygen variability, circulation, and export in the subpolar North Atlantic Ocean using BGC-Argo & ship-based observations

2023· preprint· en· W4322210246 sur OpenAlexaboutno aff
Lauren A. Moseley, Galen A. McKinley, Dustin Carroll, Raphaël Dussin, Dimitris Menemenlis, An Nguyen

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal ecosystems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiogeochemistryOceanographyArgoDeep seaOcean currentBiogeochemical cycleOcean gyreEnvironmental scienceClimatologyChemistryGeologyBiologyEcologyEnvironmental chemistry

Résumé

récupéré en direct d'OpenAlex

The subpolar North Atlantic (SPNA) transports surface-ocean properties deep into the interior via deep convection and is one of the most intense regions of air-sea gas exchange globally. Deep convection in the SPNA exports highly-oxygenated water masses to depth, which subsequently ventilate intermediate and deep waters throughout the North Atlantic. The SPNA thus plays a critical role in setting the oxygen inventory of the global ocean. Due to intensifying ocean warming, many climate models predict substantial global-ocean oxygen loss — albeit at magnitudes which vary widely by model. Therefore, there is a need to better understand the impacts of SPNA convective variability on oxygen saturation in intermediate and deep water masses. Here we use a physical-biogeochemical model, ASTE-BGC, which couples the Arctic Subpolar gyre sTate Estimate (ASTE) with the Biogeochemistry with Light, Iron, Nutrients, and Gas (BLING) model to quantify oxygen cycling and deep ventilation in the SPNA. ASTE utilizes the MIT General Circulation Model (MITgcm) and assimilates physical in-situ and satellite data using tools developed by the Estimating the Circulation and Climate of the Ocean (ECCO) consortium. We use a Green’s Functions approach to optimize ASTE-BGC biogeochemistry using BGC-Argo and GLODAPv2 ship-based profiles of O2 and NO3. The Green’s Functions approach allows us to adjust the biogeochemical parameters of the BLING ecosystem towards O(106) in-situ data constraints over the 2002–2017 model period. We then evaluate the optimized simulation against independent data and construct an oxygen budget for the central Labrador Sea to assess the interannual variability of SPNA oxygen.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,154
Score d'incertitude au seuil0,305

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,000
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 Opus0,092
Tête enseignante GPT0,253
Écart entre enseignants0,160 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMarine and coastal ecosystems→Travaux en français237 207→