Simulated Geophysical Noise in Sea Ice Concentration Estimates of Open Water and Snow-Covered Sea Ice
Notice bibliographique
Résumé
Sea ice concentration algorithms using brightness temperatures (TB) from satellite microwave radiometers are used to compute sea ice concentration (cice), sea ice extent, and generate sea ice climate data records (CDRs). Therefore, it is important to minimize the sensitivity ofciceestimates to geophysical noise caused by snow/sea ice thermal microwave emission signature variations, and presence of water vapor and clouds in the atmosphere and/or near-surface winds. In this study, we investigate the effect of geophysical noise leading to systematiccicebiases and affectingcicestandard deviations (STD) using simulated top of the atmosphere (TOA)TBs over open water and 100 % sea ice. We consider three case studies for the Arctic and the Antarctic and eight differentcicealgorithms, representing different families of algorithms based on the selection of channels and methodologies. Our simulations show that, over open water and lowcice, algorithms using gradients between V-polarized 19 GHz and 37 GHzTBs shows the lowest sensitivity to the geophysical noise, while the algorithms exclusively using near 90 GHz channels have by far the highest sensitivity. Over sea ice, the atmosphere plays a much smaller role than over open water and theciceSTD for all algorithms is smaller than over open water. The hybrid and low frequency (6 GHz) algorithms have the lowest sensitivity to noise over sea ice, while the polarization type of algorithms have the highest noise levels.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».