Investigation of spatiotemporal variability of melt pond fraction and its relationship with sea ice extent during 2000–2017 using a new data
Notice bibliographique
Résumé
Abstract. The accurate knowledge of variations of melt ponds is important for understanding Arctic energy budget due to its albedo-transmittance-melt feedback. In this study, we develop and validate a new method for retrieving melt pond fraction (MPF) from the MODIS surface reflectance. We construct an ensemble-based deep neural network and use in-situ observations of MPF from multi-sources to train the network. The results show that our derived MPF is in good agreement with the observations, and relatively outperforms the MPF retrieved by University of Hamburg. Built on this, we create a new MPF data from 2000 to 2017 (the longest data in our knowledge), and analyze the spatial and temporal variability of MPF. It is found that the MPF has significant increasing trends from late July to early September, which is largely contributed by the MPF over the first-year sea ice. The analysis based on our MPF during 2000–2017 confirms that the integrated MPF to late June does promise to improve the prediction skill of seasonal Arctic sea ice minimum. However, our MPF data shows concentrated significant correlations first appear in a band, extending from the eastern Beaufort Sea, through the central Arctic, to the northern East Siberian and Laptev Seas in early-mid June, and then shifts towards large areas of the Beaufort Sea, Canadian Arctic, the northern Greenland Sea and the central Arctic basin.
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 | 0,001 | 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 ».