| Revista: | Ciencias marinas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000456759 |
| ISSN: | 0185-3880 |
| Autors: | Marín Enríquez, Emigdio1 |
| Institucions: | 1Universidad Autónoma de Sinaloa, Facultad de Ciencias del Mar, Mazatlán, Sinaloa. México |
| Any: | 2021 |
| Període: | Jul-Sep |
| Volum: | 47 |
| Número: | 3 |
| Paginació: | 147-174 |
| País: | México |
| Idioma: | Español, inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | La temperatura quizá sea la propiedad del agua marina más importante. Es una medida del contenido energético del océano y afecta las tasas metabólicas, la distribución y la abundancia de especies económicamente y ecológicamente importantes. Los datos oceanográficos derivados de satélites han sido utilizados para evaluar las variaciones espaciotemporales de la temperatura superficial del mar a escalas amplias; sin embargo, los satélites no alcanzan niveles subsuperficiales, y los datos de temperatura subsuperficial confiables se obtienen mediante modelamiento numérico u observaciones directas, estas últimas una alternativa costosa. Este artículo presenta un método para modelar perfiles de temperatura. Se utilizó un modelo mixto aditivo generalizado (GAMM, por sus siglas en inglés) con distribución de error gamma y una función de enlace inversa para modelar perfiles someros (<200 m) de temperatura en el Pacífico frente al noroeste de México. Los datos incluyeron 656 perfiles linealmente interpolados en profundidad, resultando en 127,595 observaciones que cubrieron un área de 18.5º a 25.8º N y de -114.5º a -105.9º W, y un periodo de junio de 2007 a noviembre de 2016. El modelo incluyó la temperatura como variable de respuesta; la profundidad, la topografía dinámica superficial, el rotacional del esfuerzo del viento, la latitud, la longitud y el Índice Oceánico de El Niño como covariables; y el mes como efecto aleatorio. El GAMM final explicó el 86% de la desviación total del conjunto de datos. Aunque se observaron importantes desviaciones entre las observaciones y las predicciones del modelo, los resultados del proceso de validación y de las predicciones hechas sobre un conjunto de datos independiente (correlación de temperatura observada vs. temperatura predicha, ~0.93; raíz del error cuadrático medio, ~1.5 ºC) fueron comparables a resultados obtenidos con técnicas de modelamiento más complejas, lo cual sugiere que e |
| Resumen en inglés | Temperature is perhaps the most important seawater property. It is a measure of the energy content in the ocean and it affects the metabolic rates, distribution, and abundance of species that are important from the economic and ecological points of view. Satellite-derived oceanographic data have been widely used to assess spatiotemporal variations of sea surface temperature on broad scales; satellites, however, are unable to reach subsurface levels, and obtaining reliable subsurface water temperature data is achieved by either numerical modeling or direct observations, the latter representing a very high-cost alternative. In this paper, a method for modeling temperature profiles is presented. A generalized additive mixed model (GAMM) with a gamma error distribution and an inverse link function was used to model shallow (<200 m) temperature profiles in the Pacific Ocean off northwestern Mexico. The dataset included 656 profiles that were linearly interpolated at depth, which resulted in 127,595 observations. The database covered an area from 18.5º to 25.8º N and from -114.5º to -105.9º W in a time span from June 2007 to November 2016. The model included temperature as response variable; depth, surface dynamic topography, wind stress curl, latitude, longitude, and the Oceanic Niño Index as covariates; and month as random effect. The final model explained 86% of the total deviance of the dataset used to fit the GAMM. Although important deviations between the observations and the predictions of the model were observed, the results of the validation process and of predictions made on an independent dataset (correlation of observed vs. predicted temperature, ~0.93; root-mean-square error, ~1.5 ºC) were comparable to the results obtained with more complex modeling techniques, suggesting that this statistical approach is a valuable tool for modeling oceanographic data |
| Disciplines | Geociencias |
| Paraules clau: | Oceanografía, Temperatura superficial del mar, Perfiles de temperatura, Modelos de efectos mixtos, Océano Pacífico, México |
| Keyword: | Oceanography, Sea surface temperature, Temperature profiles, Mixed effects model, Pacific Ocean, Mexico |
| Text complet: | Texto completo (Ver HTML) Texto completo (Ver PDF) |
