Reassessing the Quality of Sea‐Ice Deformation Estimates Derived From the RADARSAT Geophysical Processor System and Its Impact on the Spatiotemporal Scaling Statistics
Notice bibliographique
Résumé
Abstract We reassess the trajectory errors inherent to sea‐ice deformation estimates with a new propagation of uncertainty derivation and show that previous formulations applied to deformation estimates from the RADARSAT Geophysical Processor System (RGPS) are either too high due to incorrect assumptions or too low due to neglected terms in certain cases. We show that when the resulting signal‐to‐noise ratios are used to discriminate the deformation estimates based on their quality, as done for buoy records, the spatiotemporal scaling exponents for the mean total deformation rate increase, especially at smaller scale, such that a space‐time coupling of the scaling—which is otherwise absent—emerges from the RGPS deformation data set, in accord with previous analyses performed with buoy observations. We also show that the preprocessing method used to reduce the effects of irregular sampling of the Lagrangian deformation fields can significantly impact the value of the deformation statistics and could possibly explain part of previous discrepancies between deformation statistics obtained with buoy records and large‐scale synthetic aperture radar (SAR) imagery. Specifically, we show that spurious lines of deformation appear when interpolating RGPS trajectories that presenttemporal sampling inconsistencies. In the context of using observed sea‐ice deformation statistics to constrain and improve the performance of sea‐ice models, high confidence in the observed deformation field statistics is necessary. Using appropriate, well‐documented, methods to derive the set of statistics to be reproduced by models therefore becomes crucial.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».