High-resolution Neural Network Demonstrates Strong CO2 Source-Sink Juxtaposition in the Coastal Zone
Notice bibliographique
Résumé
Coastal oceans may play an important role in regulating the concentration of carbon dioxide in the atmosphere. Quantification of carbon fluxes at this highly dynamic land-ocean interface will aid in monitoring, reporting, and verification for marine carbon dioxide removal. Here, we use a two-step neural network approach to generate basin-wide estimates from sparse observational data in the coastal Northeast Pacific Ocean at an unprecedented spatial resolution of 1/12° with coverage in the nearshore (0 - 25 km offshore). We compiled partial pressure of carbon dioxide (pCO2) observations as well as a range of predictor variables including satellite-based and physical oceanographic reanalysis products. With the predictor variables representing processes affecting pCO2, we created non-linear relationships to interpolate observations from 1998-2019. Compared to in situ shipboard and mooring observations, our coastal pCO2 product captures broad spatial patterns and seasonal cycle variability well. A sensitivity analysis identifies that the parameters responsible for the neural network’s ability to capture regional pCO2 variability agrees with mechanistic processes. Using wind speed and atmospheric CO2, we calculated air-sea CO2 fluxes. We report an anticorrelation between net annual air-sea CO2 flux and air-sea CO2 flux seasonal amplitude and suggest the relationship is driven by regional processes. We show the inclusion of nearshore net outgassing fluxes lowers the overall regional net flux. Overall, our results suggest that the region is a net sink (-0.7 mol m-2 yr-1) for atmospheric CO2 with trends indicating increasing oceanic uptake due to strong connectivity to subsurface waters.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».