Chlorophyll-a Concentration Retrieval in the Optically Complex Waters of the St. Lawrence Estuary and Gulf Using Principal Component Analysis
Notice bibliographique
Résumé
Empirical methods based on band ratios to infer chlorophyll-a concentration by satellite do not perform well over the optically complex waters of the St. Lawrence Estuary and Gulf. Using a dataset of 93 match-ups, we explore an alternative method relying on empirical orthogonal functions (EOF) to develop an algorithm that relates the satellite-derived remote sensing reflectances to in situ chlorophyll-a concentration for the Sea-viewing Wide Field-of-view Sensor (SeaWiFS). Results show that an accuracy of 41% at retrieving chlorophyll-a concentration can be reached using the EOF method compared to 140% for the widely-used Ocean Chlorophyll 4 (OC4v4) empirical algorithm, 53% for the Garver-Siegel-Maritorena (GSM01) and 54% for the Generalized Inherent Optical Property (GIOP) semi-analytical algorithms. This result is possible because the EOF approach is able to extract region-specific radiometric features from the satellite remote sensing reflectances that are related to absorption properties of optical components (water, coloured dissolved organic matter and chlorophyll-a) using the visible SeaWiFS channels. The method could easily be used with other ocean-colour satellite sensors (e.g., MODIS, MERIS, VIIRS, OLCI) to extend the time series for the St. Lawrence Estuary and Gulf waters.
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) | 0,000 | 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 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 ».