Collecting Empirically Derived SAR Characteristic Values over One Year of Sea Ice Environments for Use in Data Assimilation
Notice bibliographique
Résumé
Abstract A new tool has been developed to calculate dynamic, state-specific tie points, to aid in the assimilation of various types of satellite data into Environment and Climate Change Canada’s Regional Ice Ocean Prediction System. These tie points are referred to as characteristic values (CVs). In this study, CVs are calculated for RadarSat-2 ScanSAR-Wide-A HH-HV backscatter data from October 2010 to September 2011. In this collection, the mean, standard deviation, and percentile distribution of backscatter at locations and times identified as being either ice or open water are represented over different relevant categories affecting the signal. The resulting water CVs are compared with modeled backscatter values, and are in close agreement at midrange wind speeds (5–14 m s−1), where wind slicks are not present. When compared against previously reported values, the ice CVs correspond best for ice conditions with fairly uniform backscatter distributions, such as the Arctic during the spring. When the ice and water CVs are compared to each other, the best cases for the assimilation of RadarSat-2 data are evident. In these cases, the CV distributions at a given incidence angle and wind speed are well separated from each other, such as in the far range (40°–50°) at midrange wind speeds. This set of CVs will be used for an initial assimilation of binary ice and open water retrievals. Future work will include a more complex treatment of ice CVs to address mixed ice types, and the application of CVs to other types of satellite data, including those from passive microwave sensors.
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) | 0,001 | 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 ».