Applications of DINEOF to Satellite-Derived Chlorophyll-a from a Productive Coastal Region
Notice bibliographique
Résumé
A major limitation for remote sensing analyses of oceanographic variables is loss of spatial data. The Data INterpolating Empirical Orthogonal Functions (DINEOF) method has demonstrated effectiveness for filling spatial gaps in remote sensing datasets, making them more easily implemented in further applications. However, the spatial and temporal coverage of the input image dataset can heavily impact the outcomes of using this method and, thus, further metrics derived from these datasets, such as phytoplankton bloom phenology. In this study, we used a three-year time series of MODIS-Aqua chlorophyll-a to evaluate the DINEOF reconstruction output accuracy corresponding to variation in the form of the input data used (i.e., daily or week composite scenes) and time series length (annual or three consecutive years) for a dynamic region, the Salish Sea, Canada. The accuracy of the output data was assessed considering the original chla pixels. Daily input time series produced higher accuracy reconstructing chla (95.08–97.08% explained variance, RMSExval 1.49–1.65 mg m−3) than did all week composite counterparts (68.99–76.88% explained variance, RMSExval 1.87–2.07 mg m−3), with longer time series producing better relationships to original chla pixel concentrations. Daily images were assessed relative to extracted in situ chla measurements, with original satellite chla achieving a better relationship to in situ matchups than DINEOF gap-filled chla, and with annual DINEOF-processed data performing better than the multiyear. These results contribute to the ongoing body of work encouraging production of ocean color datasets with consistent processing for global purposes such as climate change studies.
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 ».