Higher spatial resolution is not always better: evaluating satellite-sensed sea surface temperature products for a west Pacific coral reef system
Notice bibliographique
Résumé
As marine heatwaves and mass coral bleaching events rise in frequency and severity, there is an increasing need for high-resolution satellite products that accurately predict reef thermal environments over large spatio-temporal scales. Deciding which global sea surface temperature (SST) dataset to use for research or management depends in part on the desired spatial resolution. Here, we evaluate two SST datasets - the lower-resolution CoralTemp v3.1 (0.05° ~ 5 km grid) and the Multiscale Ultra-high Resolution MUR v4.1 (0.01° ~ 1 km grid) - in their ability to predict in situ reef thermal environments (nightly mean and daily maximum) and the severity of past bleaching in Palau, western Pacific Ocean. We expected higher-resolution data to improve prediction accuracy, yet CoralTemp data explained 10% additional variability of in situ temperatures and 70% additional variance in past bleaching. This likely relates to differential data protocols; despite MUR using a higher spatial resolution grid, CoralTemp achieves higher raw satellite observation density in coastal areas by utilising geostationary satellites. MUR SSTs were also consistently more variable. These results reinforce calls to develop more accurate high-resolution SST products for coral reefs. Our paper demonstrates that higher spatial resolution SST data is not necessarily better at predicting in situ thermal environments of coral reefs and local marine heatwave impacts.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».