High Resolution Mapping of Ice Mass Loss in the Gulf of Alaska From Constrained Forward Modeling of GRACE Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The resolution of GRACE Terrestrial Water Storage change data is too low to discriminate mass variations at the scale of glaciers, small ensemble of glaciers, or icefields. In this paper, we applied an iterative constraint modelling strategy over the Gulf of Alaska (GOA) to improve the resolution of ice loss estimates derived from GRACE. We assess the effect of the most influential parameters such as the type of GRACE Level-2 solution and the degree of heterogeneity of the distribution map over which the GRACE data is focused. Three GRACE solutions from the most common processing strategies and three ice distribution maps of resolutions ranging from 55,000 km2 to 20,000 km2 are used. First, we present results from a series of simulations with synthetic data or a mix of synthetic/modelled data to validate the focusing strategy and we point out how inaccuracies arise while increasing the spatial resolution of GRACE data. Second, we present the recovery of the total GRACE-derived mass change anomaly at the scale of the GOA. At this scale, all solutions and distribution maps agree, showing ~40 Gt/yr of mean ice mass loss over the 2002-2017 period. This result is similar to studies using GRACE solutions from the latest releases and time-series of more than 8 years. The first studies using GRACE data published during the 2005-2008 era generally overestimated the total ice mass loss. Third, we show results of the three resolutions tested to focus the mass anomaly. Using focusing units (mascon) of ~30,000 km2 or larger, the focusing procedure provides reliable results with errors below 15%. Below this threshold, errors of up to 56% are observed.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle