Notice bibliographique
Résumé
A method is described for mapping time-uncorrelated large-scale errors in satellite altimeter sea surface heights. Standard deviations of differences between pairs of successive measurements at track crossovers are computed, and the functional dependence of these deviations on absolute time difference is used to estimate the errors of individual measurements. This is first applied to all of ERS-1,2 altimeter data in the Pacific Ocean, yielding average errors of 3.2 cm in the deep ocean (>1 km) and 4.7 cm in the shallow seas (<1 km). The procedure is repeated for variable latitude bands, each with a full range of possible time differences, yielding a meridional profile of computed errors, ranging from 2.6 cm near the Antarctic continent (67–60S) and South Subtropical regions (25–5S) to 3.5 cm in the Antarctic Circumpolar Current (60–45S) and the Northern Hemisphere Subtropical and Subpolar Gyres. Finally, coarse-resolution maps of these errors are produced by subdividing the Pacific Ocean into latitude-longitude bins, each large enough to contain a sufficient number of samples for the functional fits. The larger errors are in Northwest and Subtropical Pacific, especially in South China Sea (4.3 to 4.5 cm) and off northern Australia (5.4 cm), while the smaller errors (2.5 to 3 cm) are in Northeast Pacific, central Tropical Pacific and near Antarctica in Southeast Pacific Ocean. These are lower bounds on altimeter errors, as they do not include contributions from time-correlated errors. We find that the computed error fields are not correlated with sea level standard deviations, thus disproving the notion that altimeter error variance can be scaled with the variance of sea surface height 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 | 0,000 | 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) | 0,005 | 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 ».