Inter-comparison and evaluation of Arctic sea ice type products
Notice bibliographique
Résumé
Arctic sea ice type (SITY) variation is a sensitive indicator of climate change. However, systematic inter-comparison and analysis for SITY products are lacking. This study analysed eight daily SITY products from five retrieval approaches covering the winters of 1999–2019, including purely radiometer-based (C3S-SITY), scatterometer-based (KNMI-SITY and IFREMER-SITY) and combined ones (OSISAF-SITY and Zhang-SITY). These SITY products were inter-compared against a weekly sea ice age product (i.e. NSIDC-SIA – National Snow and Ice Data Center sea ice age) and evaluated with five synthetic aperture radar (SAR) images. The average Arctic multiyear ice (MYI) extent difference between the SITY products and NSIDC-SIA varies from -1.32×106 to 0.49×10 6 km 2 . Among them, KNMI-SITY and Zhang-SITY in the QuikSCAT (QSCAT) period (2002–2009) agree best with NSIDC-SIA and perform the best, with the smallest bias of -0.001×106 km 2 in first-year ice (FYI) extent and -0.02×106 km 2 in MYI extent. In the Advanced Scatterometer (ASCAT) period (2007–2019), KNMI-SITY tends to overestimate MYI (especially in early winter), whereas Zhang-SITY and IFREMER-SITY tend to underestimate MYI. C3S-SITY performs well in some early winter cases but exhibits large temporal variabilities like OSISAF-SITY. Factors that could impact performances of the SITY products are analysed and summarized. (1) The Ku-band scatterometer generally performs better than the C-band scatterometer for SITY discrimination, while the latter sometimes identifies FYI more accurately, especially when surface scattering dominates the backscatter signature. (2) A simple combination of scatterometer and radiometer data is not always beneficial without further rules of priority. (3) The representativeness of training data and efficiency of classification are crucial for SITY classification. Spatial and temporal variation in characteristic training datasets should be well accounted for in the SITY method. (4) Post-processing corrections play important roles and should be considered with caution.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».