Using Saildrones to Validate Arctic Sea-Surface Salinity from the SMAP Satellite and from Ocean Models
Notice bibliographique
Résumé
The Arctic Ocean is one of the most important and challenging regions to observe—it experiences the largest changes from climate warming, and at the same time is one of the most difficult to sample because of sea ice and extreme cold temperatures. Two NASA-sponsored deployments of the Saildrone vehicle provided a unique opportunity for validating sea-surface salinity (SSS) derived from three separate products that use data from the Soil Moisture Active Passive (SMAP) satellite. To examine possible issues in resolving mesoscale-to-submesoscale variability, comparisons were also made with two versions of the Estimating the Circulation and Climate of the Ocean (ECCO) model (Carroll, D; Menmenlis, D; Zhang, H.). The results indicate that the three SMAP products resolve the runoff signal associated with the Yukon River, with high correlation between SMAP products and Saildrone SSS. Spectral slopes, overall, replicate the −2.0 slopes associated with mesoscale-submesoscale variability. Statistically significant spatial coherences exist for all products, with peaks close to 100 km. Based on these encouraging results, future research should focus on improving derivations of satellite-derived SSS in the Arctic Ocean and integrating model results to complement remote sensing observations.
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 ».