Assessing the feasibility of using a neural network to filter Orbiting Carbon Observatory 2 (OCO-2) retrievals at northern high latitudes
Notice bibliographique
Résumé
Abstract. Satellite retrievals of XCO2 at northern high latitudes currently have sparser coverage and lower data quality than most other regions of the world. We use a neural network (NN) to filter Orbiting Carbon Observatory 2 (OCO-2) B10 bias-corrected XCO2 retrievals and compare the quality of the filtered data to the quality of the data filtered with the standard B10 quality control filter. To assess the performance of the NN filter, we use Total Carbon Column Observing Network (TCCON) data at selected northern high latitude sites as a truth proxy. We found that the NN filter decreases the overall bias by 0.25 ppm (∼ 50 %), improves the precision by 0.18 ppm (∼ 12 %), and increases the throughput by 16 % at these sites when compared to the standard B10 quality control filter. Most of the increased throughput was due to an increase in throughput during the spring, fall, and winter seasons. There was a decrease in throughput during the summer, but as a result the bias and precision were improved during the summer months. The main drawback of using the NN filter is that it lets through fewer retrievals at the highest-latitude Arctic TCCON sites compared to the B10 quality control filter, but the lower throughput improves the bias and precision.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».