Software to enable ocean discoveries: a case study with ICESat-2 and Argo
Notice bibliographique
Résumé
Increased anthropogenic stressors (e.g., warming, acidification, wildfires and other extreme events) present complex observational challenges for Earth science, and no one sensor can ‘do it all.’ While many remote sensing technologies are available at present, scientific disciplines are often trained to use only a specific subset, greatly limiting scientific advancements. Here we present open-source software (‘icepyx’) that lowers the barrier for entry for two remote platforms offering vertically-resolved information about the ocean’s subsurface: ICESat-2 (Ice, Cloud, and land Elevation Satellite 2) and Argo floats. icepyx provides object-oriented code for querying and downloading ICESat-2 and Argo data within a single analysis workflow. icepyx natively handles ICESat-2 data access and read-in; here we introduce the Query, Unify, Explore SpatioTemporal (QUEST) module as a framework for adapting icepyx to easily access and ingest other datasets and present Argo data as the initial use case. Seamless retrieval of coincident data from ICESat-2 and Argo enables improved targeted and exploratory studies across the cryosphere and open ocean realms. We close with recommendations for future work, a discussion of the value of open science, relevance of our work to upcoming satellite missions, and an invitation to join our programming community.
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 | 0,011 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».