Chlorophyll-a Estimation Around the Antarctica Peninsula Using Satellite Algorithms: Hints from Field Water Leaving Reflectance
Notice bibliographique
Résumé
Ocean color remote sensing significantly contributes to our understanding of phytoplankton distribution and abundance and primary productivity in the Southern Ocean (SO). However, the current SO in situ optical database is still insufficient and unevenly distributed. This limits the ability to produce robust and accurate measurements of satellite-based chlorophyll. Based on data collected on cruises around the Antarctica Peninsula (AP) on January 2014 and 2016, this research intends to enhance our knowledge of SO water and atmospheric optical characteristics and address satellite algorithm deficiency of ocean color products. We collected high resolution in situ water leaving reflectance (±1 nm band resolution), simultaneous in situ chlorophyll-a concentrations and satellite (MODIS and VIIRS) water leaving reflectance. Field samples show that clouds have a great impact on the visible green bands and are difficult to detect because NASA protocols apply the NIR band as a cloud contamination threshold. When compared to global case I water, water around the AP has lower water leaving reflectance and a narrower blue-green band ratio, which explains chlorophyll-a underestimation in high chlorophyll-a regions and overestimation in low chlorophyll-a regions. VIIRS shows higher spatial coverage and detection accuracy than MODIS. After coefficient improvement, VIIRS is able to predict chlorophyll a with 53% accuracy.
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 ».