Melt pond fraction and spectral sea ice albedo retrieval from MERIS data – Part 1: Validation against in situ, aerial, and ship cruise data
Notice bibliographique
Résumé
Abstract. The presence of melt ponds on the Arctic sea ice strongly affects the energy balance of the Arctic Ocean in summer. It affects albedo as well as transmittance through the sea ice, which has consequences for the heat balance and mass balance of sea ice. An algorithm to retrieve melt pond fraction and sea ice albedo from Medium Resolution Imaging Spectrometer (MERIS) data is validated against aerial, shipborne and in situ campaign data. The results show the best correlation for landfast and multiyear ice of high ice concentrations. For broadband albedo, R2 is equal to 0.85, with the RMS (root mean square) being equal to 0.068; for the melt pond fraction, R2 is equal to 0.36, with the RMS being equal to 0.065. The correlation for lower ice concentrations, subpixel ice floes, blue ice and wet ice is lower due to ice drift and challenging for the retrieval surface conditions. Combining all aerial observations gives a mean albedo RMS of 0.089 and a mean melt pond fraction RMS of 0.22. The in situ melt pond fraction correlation is R2 = 0.52 with an RMS = 0.14. Ship cruise data might be affected by documentation of varying accuracy within the Antarctic Sea Ice Processes and Climate (ASPeCt) protocol, which may contribute to the discrepancy between the satellite value and the observed value: mean R2 = 0.044, mean RMS = 0.16. An additional dynamic spatial cloud filter for MERIS over snow and ice has been developed to assist with the validation on swath data.
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 | 0,001 |
| Science ouverte | 0,001 | 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 ».