Autonomous Shipborne In Situ Reflectance Data in Optically Complex Coastal Waters: A Case Study of the Salish Sea, Canada
Notice bibliographique
Résumé
Present limitations on using satellite imagery to derive accurate chlorophyll concentrations and phytoplankton functional types arise from insufficient in situ measurements to validate the satellite reflectance, Rrs0+. We installed a set of hyperspectral radiometers with autonomous solar tracking capability, collectively named SAS Solar Tracker (Satlantic Inc./Sea-Bird), on top of a commercial ferry, to measure the in situ reflectance as the ferry crosses the Salish Sea, Canada. We describe the SAS Solar Tracker installation procedure, which enables a clear view of the sea surface and minimizes the interference caused by the ship superstructure. Corrections for residual ship superstructure perturbations and non-nadir-viewing geometry are applied during data processing to ensure optimal data quality. It is found that the ship superstructure perturbation correction decreased the overall Rrs0+ by 0.00055 sr−1, based on a black-pixel assumption for the infrared band of the lowest acquired turbid water. The BRDF correction using the inherent optical properties approach lowered the spectral signal by ∼5–10%, depending on the wavelength. Data quality was evaluated according to a quality assurance method considering spectral shape similarity, and ∼92% of the acquired reflectance data matched well against the global database, indicating high quality.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».