Comparison of Machine Learning Inversion Methods for Salinity in the Central Indian Ocean Based on SMOS Satellite Data
Notice bibliographique
Résumé
In this paper, the central Indian Ocean (60°–95°E, 0°–37°S) has been selected as the research area, and Argo salinity data are used as the measured values. The Catboost algorithm is introduced for the first time to retrieve sea surface salinity, and a comparison is made with the traditional artificial neural network (ANN) and random forest (RF) machine learning algorithm. The results show that: (1) Through linear fitting with the Argo salinity, the R2 of the three machine learning methods are 0.9299, 0.88 and 0.83, respectively. The corresponding RMSE were 0.2360, 0.3004, and 0.3156 psu, and MAE were 0.1816, 0.2486, and 0.2641 psu, respectively. (2) The spatial distribution of salinity of Argo and SMOS was compared with the inversion results of the model. It was found that the salinity of the sea area was lower at (83°–88°E, 24°–27°S) and (68°–72°E, 17°–20°S), and higher at 30°–35° south latitude, showing consistent with Argo. (3) The stability of the model was independently verified using the data from January to March 2020, and it was found that the R2 of the RF model shows the best stability, while the R2 of the ANN model shows the worst stability.
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 | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».