Comparison of Arctic Sea Ice Concentrations from the NASA Team, ASI, and VASIA2 Algorithms with Summer and Winter Ship Data
Notice bibliographique
Résumé
The paper presents a comparison of sea ice concentration (SIC) derived from satellite microwave radiometry data and dedicated ship observations. For the purpose, the NASA Team (NT), Arctic Radiation and Turbulence Interaction Study (ARTIST) Sea Ice (ASI), and Variation Arctic/Antarctic Sea Ice Algorithm 2 (VASIA2) algorithms were used as well as the database of visual ice observations accumulated in the course of 15 Arctic expeditions. The comparison was performed in line with the SIC gradation (in tenths) into very open (1–3), open (4–6), close (7–8), very close and compact (9–10,10) ice, separately for summer and winter seasons. On average, in summer NT underestimates SIC by 0.4 tenth as compared to ship observations, while ASI and VASIA2 by 0.3 tenth. All three algorithms overestimate total SIC in regions of very open ice and underestimate it in regions of close, very close, and compact ice. The maximum average errors are typical of open ice regions that are most common in marginal ice zones. In winter, NT and ASI also underestimate SIC on average by 0.4 and 0.8 tenths, respectively, while VASIA2, on the contrary, overestimates by 0.2 tenth against the ship data, however, for open and close ice the average errors are significantly higher than in summer. In the paper, we also estimate the impact of ice melt stage and presence of new ice and nilas on SIC derived from NT, ASI, and VASIA2.
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 ».