The Arctic Nearshore Turbidity Algorithm (ANTA) - A multi sensor turbidity algorithm for Arctic nearshore environments
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Arctic is greatly impacted by climate change. The increase in air temperature drives the thawing of permafrost and an increase in coastal erosion and river discharge. This leads to a greater input of sediment and organic matter into coastal waters, which substantially impacts the ecosystems by reducing light transmission through the water column and altering the biogeochemistry, but also the subsistence economy of local people, and changes in climate because of the transformation of organic matter into greenhouse gases. Yet, the quantification of suspended sediment in Arctic coastal and nearshore waters remains unsatisfactory due to the absence of dedicated algorithms to resolve the high loads occurring in the close vicinity of the shoreline. In this study we present the Arctic Nearshore Turbidity Algorithm (ANTA), the first reflectance-turbidity relationship specifically targeted towards Arctic nearshore waters that is tuned with in-situ measurements from the nearshore waters of Herschel Island Qikiqtaruk in the western Canadian Arctic. A semi-empirical model was calibrated for several relevant sensors in ocean color remote sensing, including MODIS, Sentinel 3 (OLCI), Landsat 8 (OLI), and Sentinel 2 (MSI), as well as the older Landsat sensors TM and ETM+. The ANTA performed better with Landsat 8 than with Sentinel 2 and Sentinel 3. The application of the ANTA to Sentinel 2 imagery that matches in-situ turbidity samples taken in Adventfjorden, Svalbard, shows transferability to nearshore areas beyond Herschel Island Qikiqtaruk.
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.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 découle