Comparison of remote sensing reflectance from above-water and in-water measurements west of Greenland, Labrador Sea, Denmark Strait, and west of Iceland
Notice bibliographique
Résumé
The need to obtain ocean color essential climate variables (OC-ECVs) using hyperspectral technology has gained increased interest in recent years. Assessing ocean color on a large scale in high latitude environments using satellite remote sensing is constrained by polar environmental conditions. Nevertheless, on a small scale we can assess ocean color using above-water and in-water remote sensing. Unfortunately, above-water remote sensing can only determine apparent optical properties leaving the sea surface and is susceptible to near surface environmental conditions for example sky and sunglint. Consequently, we have to rely on accurate in-water remote sensing as it can provide both synoptic inherent and apparent optical properties of seawater. We use normalized water leaving radiance LWN or the equivalent remote sensing reflectance RRS from 27 stations to compare the differences in above-water and in-water OC-ECVs. Analysis of above-water and in-water RRS spectra provided very good match-ups (R2 > 0.97, MSE < 1.8*10(-7)) for all stations. The unbiased percent differences (UPD) between above-water and in-water approaches were determined at common OC-ECVs spectral bands (410, 440, 490, 510 and 555) nm and the classic band ratio (490/555) nm. The spectral average UPD ranged (5 - 110) % and band ratio UPD ranged (0 - 12) %, the latter showing that the 5% uncertainty threshold for ocean color radiometric products is attainable. UPD analysis of these stations West of Greenland, Labrador Sea, Denmark Strait and West of Iceland also suggests that the differences observed are likely a result of environmental and instrumental perturbations.
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 ».