MétaCan
Menu
Retour à la cohorte
Enregistrement W3011164406 · doi:10.3390/rs12050873

The Potential of Space-Based Sea Surface Salinity on Monitoring the Hudson Bay Freshwater Cycle

2020· article· en· W3011164406 sur OpenAlexaff
Wenqing Tang, Simon Yueh, Daqing Yang, Ellie Mcleod, Alexander G. Fore, Akiko Hayashi, Estrella Olmedo, Justino Martínez, Carolina Gabarró

Notice bibliographique

RevueRemote Sensing · 2020
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesNational Oceanic and Atmospheric AdministrationInstitut Français de Recherche pour l'Exploitation de la MerJet Propulsion LaboratoryNational Aeronautics and Space Administration
Mots-clésSea iceEnvironmental scienceBayWater cycleSea ice thicknessArcticOceanographyClimatologyCryosphereGeology

Résumé

récupéré en direct d'OpenAlex

Hudson Bay (HB) is the largest semi-inland sea in the Northern Hemisphere, connecting with the Arctic Ocean through the Foxe Basin and the northern Atlantic Ocean through the Hudson Strait. HB is covered by ice and snow in winter, which completely melts in summer. For about six months each year, satellite remote sensing of sea surface salinity (SSS) is possible over open water. SSS links freshwater contributions from river discharge, sea ice melt/freeze, and surface precipitation/evaporation. Given the strategic importance of HB, SSS has great potential in monitoring the HB freshwater cycle and studying its relationship with climate change. However, SSS retrieved in polar regions (poleward of 50°) from currently operational space-based L-band microwave instruments has large uncertainty (~ 1 psu) mainly due to sensitivity degradation in cold water (<5°C) and sea ice contamination. This study analyzes SSS from NASA Soil Moisture Active and Passive (SMAP) and European Space Agency (ESA) Soil Moisture and Ocean Salinity(SMOS) missions in the context of HB freshwater contents. We found that the main source of the year-to-year SSS variability is sea ice melting, in particular, the onset time and places of ice melt in the first couple of months of open water season. The freshwater contribution from surface forcing P-E is smaller in magnitude comparing with sea ice contribution but lasts on longer time scale through the whole open water season. River discharge is comparable with P-E in magnitude but peaks before ice melt. The spatial and temporal variations of freshwater contents largely exceed the remote sensed SSS uncertainty. This fact justifies the use of remote sensed SSS for monitoring the HB freshwater cycle.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,973
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,213
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207