Validating Landsat Analysis Ready Data for Nearshore Sea Surface Temperature Monitoring in the Northeast Pacific
Notice bibliographique
Résumé
In the face of global ocean warming, monitoring essential climate variables from space is necessary for understanding regional trends in ocean dynamics and their subsequent impacts on ecosystem health. Analysis Ready Data (ARD), being preprocessed satellite-derived products such as Sea Surface Temperature (SST), allow for easy synoptic analysis of temperature conditions given the consideration of regional biases within a dynamic range. This is especially true for SST retrieval in thermally complex coastal zones. In this study, we assessed the accuracy of 30 m resolution Landsat ARD Surface Temperature products to measure nearshore SST, derived from Landsat 8 TIRS, Landsat 7 ETM+, and Landsat 5 TM thermal bands over a 37-year period (1984–2021). We used in situ lighthouse and buoy matchup data provided by Fisheries and Oceans Canada (DFO). Excellent agreement (R2 of 0.94) was found between Landsat and spring/summer in situ SST at the farshore buoy site (>10 km from the coast), with a Landsat mean bias (root mean square error) of 0.12 °C (0.95 °C) and a general pattern of SST underestimation by Landsat 5 of −0.28 °C (0.96 °C) and overestimation by Landsat 8 of 0.65 °C (0.98 °C). Spring/summer nearshore matchups revealed the best Landsat mean bias (root mean square error) of −0.57 °C (1.75 °C) at 90–180 m from the coast for ocean temperatures between 5 °C and 25 °C. Overall, the nearshore image sampling distance recommended in this manuscript seeks to capture true SST as close as possible to the coastal margin—and the critical habitats of interest—while minimizing the impacts of pixel mixing and adjacent land emissivity on satellite-derived SST.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».