First Assessment of CyGNSS-Incorporated SMAP Sea Surface Salinity Retrieval Over Pan-Tropical Ocean
Notice bibliographique
Résumé
In sea surface salinity (SSS) retrieval using L-band passive radiometry, radiometer-independent ocean wind speed is needed as auxiliary data. Wind speed data from scatterometer and weather models are commonly used as auxiliary data in satellite SSS missions. This papers overarching goal is to explore the feasibility of incorporating the Cyclone Global Navigation Satellite System (CyGNSS) data into the SSS retrieval algorithm of the Soil Moisture Active and Passive (SMAP) mission over tropical and subtropical oceans. As a proof-of-concept study, empirical geophysical model functions (GMF) in the retrieval algorithm are developed using the statistics of collocated SMAP, CyGNSS, and referenced buoys measurements. The SSS accuracy of CyGNSS-incorporated salinity retrieval is investigated against the SMAP SSS data product. Comparisons show that the proposed CyGNSS-incorporated retrieval algorithm improves the SSS accuracy by 0.1~0.2 psu at low wind speed (< 2 m/s). To some extent, it proves that Spaceborne Global Navigation Satellite System-Reflectometry (GNSS-R) could be a new and helpful data source to understand wind-induced emissivity over a smooth ocean. The dependencies of emissivity on different geophysical parameters (i.e., sea surface temperature, significant wave height, and precipitation) are analyzed, and the spatial and seasonal variabilities of SSS errors are shown and linked to these geophysical parameters. The findings of this research provide valuable insights for future development and operation of the radiometer-based SSS retrieval algorithm using wind speed data from spaceborne GNSS-R.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».