MétaCan
Menu
Retour à la cohorte
Enregistrement W2017476967 · doi:10.1029/2007jc004353

Arctic waters and marginal ice zones: A composite Arctic sea surface temperature algorithm using satellite thermal data

2008· article· en· W2017476967 sur OpenAlexaff
Ron Vincent, R. F. Marsden, Peter J. Minnett, Katherine A. M. Creber, Joseph R. Buckley

Notice bibliographique

RevueJournal of Geophysical Research Atmospheres · 2008
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensRoyal Military College of Canada
Organismes subventionnairesnon disponible
Mots-clésArcticBrightness temperatureSea iceSea surface temperatureAdvanced very-high-resolution radiometerArctic ice packEnvironmental scienceRadiometryClimatologySatelliteSeawaterRemote sensingBrightnessGeologyAlgorithmOceanography

Résumé

récupéré en direct d'OpenAlex

The retrieval of Arctic sea surface temperatures (SSTs) using satellite radiometric imagery has not been well documented owing to the paucity of match‐ups with in situ data. SST algorithms developed in temperate regions lead to positive biases in high latitudes due to an overestimation of atmospheric IR absorption. The composite arctic sea surface temperature algorithm (CASSTA) presented in this paper was developed from concurrent satellite and shipborne radiometric data collected in the North Water Polynya between April and July 1998. This algorithm considers three temperature regimes: seawater above freezing, the transition zones of water and ice, and primarily ice. These regimes, which are determined by advanced very high resolution radiometer (AVHRR) calibrated brightness temperatures, require different calculations for temperature estimates. For seawater above freezing, a specific Arctic SST algorithm was produced through a linear regression of AVHRR against in situ data. Areas consisting mainly of ice use an established ice surface temperature (IST) algorithm. The transition zone uses a combination of the Arctic SST and IST algorithms. CASSTA determines the Channel 4 brightness temperature for each pixel in a calibrated AVHRR image and then applies the appropriate algorithm to create a thermal image. The mean deviation of CASSTA compared to in situ data was 0.17 K with a standard deviation of 0.21 K. This represents a significant improvement over SST values using McClain coefficients for temperate waters, which overestimate the same data set by an average of 2.40 K. Application of CASSTA to the North Water imagery gives superior results compared to existing SST or IST algorithms.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,289
Écart entre enseignants0,245 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Geophysical Research AtmospheresMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207