MétaCan
Menu
Retour à la cohorte
Enregistrement W4379800091 · doi:10.1029/2022jg007294

Understanding the Physical Forcings Behind the Biogeochemical Productivity of the Hudson Bay Complex

2023· article· en· W4379800091 sur OpenAlexafffundabout
Inge Deschepper, Paul G. Myers, Diane Lavoie, Tim Papakyriakou, Frédéric Maps

Notice bibliographique

RevueJournal of Geophysical Research Biogeosciences · 2023
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensUniversity of ManitobaFisheries and Oceans CanadaUniversity of AlbertaUniversité Laval
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of Canada
Mots-clésEnvironmental scienceBayBiogeochemical cycleOceanographySea icePhytoplanktonMarine ecosystemProductivityEcosystemClimatologyNutrientGeologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Multiple factors influence the spatial and temporal chlorophyll‐a concentration of marine systems. The Hudson Bay Complex has historically been seen as a large, low‐production inland sea situated in the north of Canada. However, recent field campaigns, for the BaySys project, have provided new data on primary production in the bay. Due to the Hudson Bay complex's positioning, it experiences seasonal sea‐ice cover and has many rivers draining into it, resulting in a unique estuarine‐like environment. We use the biogeochemical model BLINGv0 + DIC, coupled to the online regional physical oceanographic and sea‐ice models, NEMOv3.6 and LIM2, respectively, forced with two bias‐corrected Coupled Model Intercomparison Project 5 climate forcings (MIROC5 and MRI) to simulate the base of the ecosystem. The simulations were evaluated with chlorophyll‐a satellite imagery and observations collected in 2018 and analyzed with Empirical Orthogonal Functions to understand the underlying physical forcings and key areas of chlorophyll‐a concentration distribution. The evaluation showed that both simulations successfully reproduced the sea‐ice melt, from west to east and formation, from north to south and correlated well with spatial bloom patterns. The main drivers of phytoplankton growth are the seasonal light and nutrient levels (48% and 54%), the mixed layer depth dynamics (18% and 14%), nutrient supply from rivers (13% and 8%), and sea ice production (7%) for the MIROC5 and MRI simulations, respectively. The sea‐ice dynamics and river runoff played a significant role in the system's productivity. Therefore, with future climate change and increased river regulation projects, up to 20% of overall chlorophyll‐a may be negatively impacted.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,475
Score d'incertitude au seuil0,944

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,146
Tête enseignante GPT0,331
Écart entre enseignants0,185 · 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
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

Citations4
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research BiogeosciencesMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207