Computing Coastal Ocean Surface Currents From Infrared and Ocean Color Satellite Imagery
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
Many previous studies have demonstrated the viability of estimating advective ocean surface currents from sequential infrared satellite imagery using the maximum cross-correlation (MCC) technique when applied to 1.1-km-resolution Advanced Very High Resolution Radiometer (AVHRR) thermal infrared imagery. Applied only to infrared imagery, cloud cover and undesirable viewing conditions (gaps in satellite data and edge-of-scan distortions) limit the spatial and temporal coverage of the resulting velocity fields. In addition, MCC currents are limited to those represented by the displacements of thermal surface patterns, and hence, isothermal flow is not detected by the MCC method. The possibility of supplementing MCC currents derived from thermal AVHRR imagery was examined, with currents calculated from 1.1-km-resolution Moderate Resolution Imaging Spectroradiometer (MODIS) and Sea-viewing Wide Field-of-view Sensor (SeaWiFS) ocean color imagery, which often have spatial patterns complementary to the thermal infrared patterns. Statistical comparisons are carried out between yearlong collections of thermal and ocean color derived MCC velocities for the central California Current. It is found that the image surface patterns and resulting MCC velocities complement one another to reduce the effects of poor viewing conditions and isothermal flow. The two velocity products are found to agree quite well with a mean correlation of 0.74, a mean rms difference of 7.4 cm/s, and a mean bias less than 2 cm/s which is considerably smaller than the established absolute error of the MCC method. Merging the thermal and ocean color MCC velocity fields increases the spatial coverage by approximately 25% for this specific case study
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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