Assimilation of SAR Ice and Open Water Retrievals in Environment and Climate Change Canada Regional Ice-Ocean Prediction System
Notice bibliographique
Résumé
In this article, we evaluate the impact of assimilating spaceborne synthetic aperture radar (SAR) data in an Arctic regional ice analysis system over a year cycle. Ice and water information was automatically extracted from more than 7000 RADARSAT-2 HH-HV ScanSAR Wide images acquired over the Canadian Arctic and adjacent waters throughout the entire year 2013. A quality-control procedure was specifically developed and applied to reduce the number of erroneous SAR retrievals. To assess the impact of SAR ice and water retrievals on the Environment and Climate Change Canada (ECCC) Regional Ice-Ocean Prediction System (RIOPS) ice concentration analyses, we designed a set of data assimilation experiments with and without the inclusion of SAR retrievals. Our verification results suggest that the assimilation of SAR-derived retrievals considerably improves ice concentration analyses in the situations where high spatial resolution is important (e.g., near land and over small inland lakes). Furthermore, SAR retrievals are particularly useful over the areas where the Canadian Ice Service's (CIS) manually derived ice products (such as Image Analyses, daily and weekly ice charts) are not available or have limited coverage. The three-satellite RADARSAT Constellation Mission (RCM) launched in June 2019 will significantly increase the temporal frequency of SAR data. According to the most recent CIS estimate, more than 54 000 RCM images a year will be acquired over the CIS areas of interest. Therefore, the assimilation of SAR retrievals from RCM should further enhance automated ice concentration analyses products.
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 ».