A census of quality-controlled Biogeochemical-Argo float measurements
Notice bibliographique
Résumé
Biogeochemical- (BGC-) Argo aims to deploy and maintain a global array of autonomous profiling floats to monitor ocean biogeochemistry. With over 250,000 profiles collected so far, the BGC-Argo network is rapidly expanding toward the target of a sustained fleet of 1,000 floats. These floats prioritize the measurement of six key properties: oxygen, nitrate, pH, chlorophyll-a, suspended particles, and downwelling light. To assess the current biogeochemical state of the ocean, its variability, and trends with confidence, it is crucial to quality control these measurements. Accordingly, BGC-Argo maintains a quality control system using manual inspection and parameter-specific algorithms for flagging and adjusting data. In this study, we provide a census of the quantity and quality of measurements from BGC-Argo based on their quality flagging system. The purpose of this census is to assess the current status of the array in terms of data quality, how data quality has changed over time, and to provide a better understanding of the quality-controlled data to current and future users. Alongside increasing profile numbers and spatial coverage, we report that for most parameters between 80 and 95% of the profiles collected so far contain high-quality BGC data, with an exception for pH. The quality of pH profiles has seen a large improvement in the last five years and is on track to match the data quality of other BGC parameters. We highlight how BGC-Argo is improving and discuss strategies to increase the quality and quantity of BGC profiles available to users. This census shows that tracking percentages of high-quality data through time is useful for monitoring float sensor technology and helpful for ensuring the long-term success of BGC-Argo.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».