Data fusion and data assimilation of ice thickness observations using a regularisation framework
Notice bibliographique
Résumé
Accurate estimates of sharp features in the sea ice cover, such as leads and ridges, are critical for shipping activities, ice operations and weather forecasting. These sharp features can be difficult to preserve in data fusion and data assimilation due to the spatial correlations in the background error covariance matrices. In this article, a set of data fusion and data assimilation experiments are carried out comparing two objective functions, one with a conventional l2-norm and one that imposes an additional l1-norm on the derivative of the ice thickness state estimate. The latter is motivated by analysis of high resolution ice thickness observations derived from an airborne electromagnetic sensor demonstrating the sparsity of the ice thickness in the derivative domain. Data fusion and data assimilation experiments (using a 1 D toy sea-ice model) are carried out over a wide range of background and observation error correlation length scales. Results show the superiority of using an l1–l2 regularisation framework. For the data fusion experiments it was found when both background and observation error correlation length scales are zero, the ice thickness root mean squared error for the l1–l2 method was 0.16 m as compared to 0.20 m for the l2 method. The differences between the methods were greater when the background error correlation length scale was relatively short (approximately five times the analysis grid spacing), and were not significant for larger background error correlation length scales (e.g. 10 times the analysis grid spacing). For data assimilation experiments it was found that openings in the ice cover were captured better with the l1–l2 regularisation, with reduced errors in ice thickness, concentration and velocity. In addition, the ice thickness derivatives in the analyses were found to be more sparse when the l1–l2 method was used and are closer to the those from the true model run.
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 | 0,001 | 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 | 0,001 |
| 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 ».