Inter-Comparisons of Daily Sea Surface Temperatures and In-Situ Temperatures in the Coastal Regions
Notice bibliographique
Résumé
In this study, seven, global, blended, sea surface temperature (SST) analyses, including Operational SST and Sea Ice Analysis (OSTIA), Canadian Meteorological Centre (CMC) analysis, Optimum Interpolation SST (OISST), Remote Sensing System (REMSS) analysis, Multi-scale Ultra-high Resolution SST (MURSST), Merged Satellite and In situ Data Global Daily SST (MGDSST), and Geo-Polar Blended SST (Blended SST) were conducted. In-situ temperature measurements were used for the years 2014–2018, from 35 narrowly-spaced buoys distributed along the Korean Peninsula coast, to investigate how well the SST analyses represent the temperatures at the coastal regions. Contrary to the overall accuracy of the SSTs in the global ocean and offshore regions, the root-mean-square errors for the analyses were relatively large over 1.27 K. Specifically, all SST analyses resulted in warm biases over 0.31 K, which became quite distinctive in the western and the southwestern coastal regions. Investigation of the errors identified relationships with the coastal zones of vigorous tidal mixing, shallow bathymetry, and absence of microwave measurements. Overall, temporal wavelet coherency between in-situ measurements and SST products revealed high coherency of greater than 0.8 in periods longer than 180 days, however, low coherency (<0.5) in the period shorter than 10 days was observed. Inter-comparisons between the SST analyses illustrated clear spatial differences in the correlations at both the coastal regions, along the southwestern coast of the Korean Peninsula and in the frontal regions, and in the marginal seas of the Northwest Pacific. Overall, the results emphasized on the importance of using real-time in-situ measurements as much as possible, to overcome the increasing SST errors in coastal regions.
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 ».