Estimation of daytime all-sky sea surface temperature from Himawari-8 based on multilayer stacking machine learning
Notice bibliographique
Résumé
The Himawari-8 satellite has the capability to rapidly retrieve sea surface temperature (SST) data at a high frequency of 10 min, demonstrating significant potential for various scientific applications. However, the presence of cloud often results in missing SST data at cloud locations, or can reduce the accuracy of retrieved SST. In contrast to the method of reconstructing missing SST data, this study focuses on exploring the potential of inverting SST under all-sky conditions. This study proposes a three-layer stacked machine learning model (TLSM), specifically designed for SST under all-sky conditions. The model integrates cloud properties into its input features to effectively account for the influence of cloud cover. Validation using 30 % match-up pairs generated an overall root mean square error (RMSE) of 0.71 °C, a Bias of −0.01 °C, and an R2 of 0.91 based on 6383 samples. For clear-sky conditions, TLSM demonstrates a noteworthy enhancement in SST inversion accuracy (R2 = 0.98, RMSE=0.35 °C) compared to the official SST product (R2 = 0.86, RMSE=0.88 °C). In cases of optically thin clouds and clouds with low cloud top pressure, TLSM exhibits commendable proficiency in the inversion of SST. The Bias and RMSE for these cloud types indicate better performance compared to the official clear-sky SST data. While including cloud samples may reduce the overall accuracy of the TLSM, it substantially enhances the spatial coverage of the inverted SST. Considering the performance for each cloud type, TLSM may serve as an alternative approach for SST retrieve under thin clouds.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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) | 0,000 | 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 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 ».