Assessment of Lead Discrimination from CryoSat-2
Notice bibliographique
Résumé
Sea ice is strongly affecting the global climate, and the sea ice extent has been monitored by satellites since 1979. To estimate the Arctic sea ice volume, ice thickness must be determined. The measurements of sea ice thickness are however more difficult to achieve, and encounter limitations due to spatial and temporal variability. The measurements of sea ice freeboard may be used to estimate sea ice thickness, when combined with examination of leads between ice floes to determine the local sea surface height. With CryoSat-2 (CS), we have the opportunity to measure much more of the Arctic Ocean due to its high sampling rate and geographical coverage to 88 oN/S. Validation of the CS retrievals are very important to verify the derived sea ice thickness and understand the associated error sources. We present a comparative analysis of CryoSat-2 elevations with the Operation IceBridge Airborne Topographic Mapper (ATM) laser altimeter data gathered on April 2, 2012, where the NASA P-3 completed an underflight of CS orbit number 10520, north of Alert, Nunavut, Canada. We present a new lead detecting algorithm which was developed using the CS Level1b (L1b) waveforms, and we analyze its capabilities via comparisons with IceBridge imagery and ATM elevations. In addition,using CS L1b waveforms we have developed a method to find misplaced CS Level 2 elevations and correct them to remove any elevation bias.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 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) | 0,001 | 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 ».