Using temporal variability to improve spatial mapping with application to satellite data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The National Aeronautics and Space Administration (NASA) has a remote‐sensing program with a large array of satellites whose mission is earth‐system science. To carry out this mission, NASA produces data at various levels; level‐2 data have been calibrated to the satellite's footprint at high temporal resolution, although there is often a lot of missing data. Level‐3 data are produced on a regular latitude—longitude grid over the whole globe at a coarser spatial and temporal resolution (such as a day, a month, or a repeat‐cycle of the satellite), and there are still missing data. This article demonstrates that spatio‐temporal statistical models can be made operational and provide a way to estimate level‐3 values over the whole grid and attach to each value a measure of its uncertainty. Specifically, a hierarchical statistical model is presented that includes a spatio‐temporal random effects (STRE) model as a dynamical component and a temporally independent spatial component for the fine‐scale variation. Optimal spatio‐temporal predictions and their mean squared prediction errors are derived in terms of a fixed‐dimensional Kalman filter. The predictions provide estimates of missing values and filter out unwanted noise. The resulting fixed‐rank filter is scalable, in that it can handle very large data sets. Its functionality relies on estimation of the model's parameters, which is presented in detail. It is demonstrated how both past and current remote‐sensing observations on aerosol optical depth (AOD) can be combined, yielding an optimal statistical predictor of AOD on the log scale along with its prediction standard error. The Canadian Journal of Statistics 38: 271–289; 2010 © 2010 Statistical Society of Canada
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.
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 | 0,000 |
| 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 découle