Maximum a Posteriori Based Ocean Surface Current Inversion for Doppler Scatterometer
Notice bibliographique
Résumé
Doppler Scatterometer (DopScat) is a new tool for sea surface wind and current fields remote sensing with rapid global coverage and wide observation swath. Existing current inversion methods for DopScat are based on maximum likelihood estimation (MLE), and its inversion accuracy cannot meet the requirements of many offshore operations. To improve the accuracy of ocean surface current measurement for DopScat, a method using prior probability distributions extracted from historical current fields is presented. First, according to the temporal correlation of ocean surface current, the minimum root mean square differences of current speed and direction are used to select the historical ocean current data correlated to those of the observation area. Next, a fitting method based on maximum likelihood is employed to fit the selected current speed and direction data to determine their prior probability distributions. Then, the obtained distributions are used to construct the cost functions of the proposed maximum a posteriori (MAP) based current inversion method. Finally, taking the current result provided by the MLE based current inversion method as initial guess, the cost functions of the proposed MAP-based method are optimized to obtain the final current field. Validation experiments were conducted using simulated DopScat data based on the current generated by the Ocean Surface Current Analyses Real-time (OSCAR) model, the results show that the biases of the estimated current speed and direction are better than 0.05 m/s and 15°, respectively. Compared with that of the MLE-based method, the biases are reduced by 0.16 m/s and 9°, respectively.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».