Resolution enhanced sea ice concentration: a new algorithm applied to AMSR2 microwave radiometry data
Notice bibliographique
Résumé
Abstract Passive-microwave sea ice concentration (SIC) algorithms employ different frequencies and polarisations in their operational implementations. Commonly, these algorithms utilise combinations such as 19/37 GHz, yielding reduced measurement uncertainties but at a coarse spatial resolution. Alternatively, these algorithms can solely use 89 GHz, producing a higher spatial resolution but with increased measurement uncertainties. This study evaluates the application of a resolution-enhancing SIC algorithm (reSICCI3LF), initially developed for the coarser Special Sensor Microwave Imager / Sounder, on the Advanced Microwave Scanning Radiometer. By applying reSICCI3LF, we aim to produce a 5 km SIC for 2013–2020 in the Fram Strait and the Barents and Kara Sea region that gains the benefits of both types of algorithms, high spatial resolution and low measurement uncertainty. We present the algorithm tuning, spectral analysis of spatial resolutions, and validation against the Round Robin Data Package of 0% and 100% SIC points and SIC derived from Landsat-8. The findings demonstrate that the reSICCI3LF algorithm produces a SIC field with fine details, achieving a balance between high spatial resolution and lower measurement uncertainties compared to a 89 GHz based SIC. Consequently, this resolution-enhanced SIC technique can potentially initialise higher-resolution coupled ocean and sea ice forecasting systems through data assimilation.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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 tête enseignante, 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 ».