Mapping of sea ice concentration using the NASA NIMBUS 5 ESMR microwave radiometer data 1972–1977
Notice bibliographique
Résumé
Abstract. The Electrically Scanning Microwave Radiometer (ESMR) instrument on board the NIMBUS 5 satellite was a one channel microwave radiometer measuring the 19.35 GHz horizontally polarised brightness temperature (TB) from Dec. 11, 1972 to May. 16. 1977. The original tape archive data in swath projection have recently been made available online by NASA Goddard Earth Sciences Data and Information Services Center (GES DISC). Even though ESMR was a predecessor of modern multi frequency radiometers, there are still parts of modern processing methodology which can be applied to the data to derive the sea ice extent globally. Here we have reprocessed the entire data set using a modern processing methodology, that includes implementation of pre-processing filtering, dynamical tie-points, and a radiative transfer model (RTM) together with numerical weather prediction (NWP) for atmospheric correction. We present the one channel sea ice concentration (SIC) algorithm and the model for computing temporally and spatially varying SIC uncertainty estimates. Post-processing steps include re-sampling to daily grids, land-spill-over correction, application of climatological masks, setting of processing flags and estimation of sea ice extent, monthly means and estimation of trends. This sea ice dataset derived from NIMBUS 5 ESMR extends the sea ice record with an important reference from the mid 1970s. To make a consistent analysis of the sea ice development through time easier, the same grid and landmask as for EUMETSAT's OSI-SAF SMMR based sea ice CDR have been used for our ESMR dataset. SIC uncertainties have been included for further ease of comparison to other datasets and time periods. We find that our sea ice extent in the Arctic and Antarctic in the 1970s is generally higher than those available from the National Snow and Ice Data Center (NSIDC) Distributed Active Archive Center (DAAC) derived from the same ESMR dataset, with mean differences of 240.000 and 590.000 km2, respectively. The largest differences reach up to 2 million km2, when comparing monthly sea ice extents. Such large differences cannot be explained by the different grids and landmasks of the datasets alone, and must therefore also result from the difference in data filtering and algorithms, such as the dynamical tie-points and atmospheric correction. The new ESMR SIC data set has been released as part of the ESA Climate Change Initiative Programme (ESA CCI) and is publicly available at: http://dx.doi.org/10.5285/34a15b96f1134d9e95b9e486d74e49cf (Tonboe et al., 2023).
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 0,001 |
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 ».