Estimating and Monitoring Dissolved Organic Carbon (DOC) Concentrations from Space across the Global Ocean
Notice bibliographique
Résumé
Effective monitoring of Dissolved Organic Carbon (DOC) from space is crucial for tracking carbon stocks and understanding fluctuations in both coastal and open ocean environments. As part of the OCROC project, founded by the Copernicus Marine Service, we have enhanced the existing Ocean and Land Color Instrument (OLCI) DOC algorithm, designed to leverage data from both historical and current ocean color sensors. This algorithm initially used four key inputs: the absorption coefficient of Colored Dissolved Organic Matter (acdom), chlorophyll-a concentration, Sea Surface Temperature (SST), and Mixed Layer Depth (MLD), each at varied time lags to account for water mass dynamics.Our updated version introduces two optimized Artificial Neural Network models, a specialized approach for coastal areas affected by terrestrial influences, and reanalysis data for SST and MLD from COPERNICUS. We also assess the algorithm's adaptability for MODIS and VIIRS missions, requiring wavelength adjustments to ensure accurate acdom estimation—a process undergoing further calibration. By incorporating MODIS and VIIRS data, we aim to expand our dataset significantly, creating a new baseline for the algorithm.The final weekly DOC product, spanning from 1998 to 2022 with a 4 km resolution, is available for community evaluation and feedback. This dataset supports in-depth studies of DOC variations, the identification of significant spatial and temporal patterns, and long-term time series analyses and tendencies, thereby advancing our understanding of carbon dynamics in coastal and open ocean 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 | 0,000 | 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 | 0,000 |
| 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 ».