Notice bibliographique
Résumé
Satellite ocean color products from the Visible Infrared Imaging Radiometer Suite (VIIRS) onboard the Suomi National Polar-orbiting Partnership (SNPP) since 2012 and in situ water turbidity measurements from the U.S. Environmental Protection Agency’s Great Lakes Environmental Database System are used to develop a water turbidity algorithm for satellite ocean color applications in the Great Lakes for water quality monitoring and assessments. Results show that the proposed regional algorithm can provide reasonably accurate estimations of water turbidity from satellite observations in the Great Lakes. Therefore, VIIRS-derived water turbidity data are used to investigate spatial and temporal variations in water turbidity for the entirety of the Great Lakes. Water turbidity values are overall the highest in Lake Erie, moderate in Lake Ontario, and relatively low in lakes Superior, Michigan, and Huron. Significantly high values in water turbidity appear in the nearshore regions, particularly in Thunder Bay (Lake Superior), Green Bay (Lake Michigan), and Saginaw Bay (Lake Huron). Seasonal patterns of water turbidity are generally similar in lakes Superior, Michigan, Huron, and Ontario, showing relatively high values in the spring and autumn months and lows in the winter season, while the seasonal pattern in Lake Erie is apparently different from the other lakes, with the highest value in the winter season and the lowest in the summer season. A strong interannual variability in water turbidity is shown in the time series of the VIIRS-derived water turbidity data for most of the lakes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».