Performance of Algorithms for Retrieving Chlorophyll a Concentrations in the Arctic Ocean: Impact on Primary Production Estimates
Notice bibliographique
Résumé
Chlorophyll a concentration (Chl) is a key variable to estimate primary production (PP) through ocean color remote sensing (OCRS). Accurate Chl estimate is crucial for better understanding of spatio-temporal trends of PP over recent decades as a consequence of climate change. However, a number of studies have reported that currently operational chlorophyll a algorithms perform poorly in the Arctic Ocean (AO), which is mainly caused by the interference of colored and detrital material (CDM) with the phytoplankton signal in the visible part of the spectrum. To determine how and to what extent that CDM would bias the estimation of Chl, we evaluated the performances of 8 currently available ocean color algorithms: OC4v6, OC3Mv6, OC3V, OC4L, OC4P, AO.emp, GSM01 and AO.GSM. Our results suggest that the empirical AO.emp algorithm performs the best overall, but for waters with high CDM (acdm(443) > 0.067 m-1), which is of much interest in the Arctic, it is the two semi-analytical GSM models that show better performance. Besides, sensitivity analyses using an Arctic spectrally- and vertically-resolved primary production model further show that errors in Chl mostly propagate proportionally to PP estimates with 7% amplification at maximum. We aslo demonstrate that the higher level of CDM relative to Chl in the water column, the larger the bias would occur in both Chl and PP estimates. Although the AO.GSM overall best performs among algorithms tested in the present study, it tends to fail for a significant number of pixels (16.2% observed in the present study) particularly for waters with high CDM. Our results suggest that an algorithm that provides reasonable Chl estimates for a wide range of optically-complex Arctic waters is still required.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».