High‐Resolution Neural Network Demonstrates Strong CO <sub>2</sub> Source‐Sink Juxtaposition in the Coastal Zone
Notice bibliographique
Résumé
Abstract The role of coastal oceans in regulating atmospheric carbon dioxide remains poorly quantified and understood. Here, we use a two‐step neural network approach to generate 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 ( p CO 2 ) observations as well as a range of predictor variables including satellite‐based and physical oceanographic reanalysis products. With the predictor variables representing processes affecting p CO 2 , we created non‐linear relationships to interpolate observations from 1998 to 2019. Compared to in situ shipboard and mooring observations, our coastal p CO 2 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 p CO 2 variability are associated with mechanistic processes, including mixed layer deepening, mesoscale eddies, and gyre upwelling. Using wind speed and atmospheric CO 2 , we calculated air‐sea CO 2 fluxes. We report an anticorrelation between annual air‐sea CO 2 flux and its seasonal amplitude with the relationship driven by circulation, opposing seasonal upwelling/relaxation versus downwelling, and the effects of winter mixing and primary productivity. We show that 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 CO 2 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».