Bridging the cloud gap: AHI/ATMS synergy through CNN feature fusion for all-weather SST retrieval
Notice bibliographique
Résumé
Infrared-based Sea Surface Temperature (SST) retrieval methods face persistent challenges from cloud-induced data gaps and accuracy degradation. This study bridges this critical limitation through multisensor satellite synergy, integrating geostationary Advanced Himawari Imager (AHI) with Advanced Technology Microwave Sounder (ATMS) data via a Convolutional Neural Network (CNN) for all weather SST retrieval. The CNN model adaptively extracts features from multi-band AHI/ATMS imagery, effectively predicting SST under varying cloud conditions. Evaluation results demonstrate a root mean square error (RMSE) of 2.07 °C, a mean absolute error (MAE) of 1.22 °C, and a coefficient of determination (R 2 ) of 0.88 on the test dataset. Under the same CNN framework, unimodal retrievals from AHI and ATMS alone yield substantially lower performance (R 2 = 0.51, RMSE = 3.45 °C; and R 2 = 0.63, RMSE = 2.64 °C, respectively), confirming the complementary benefits of multisensor fusion. Comparisons with a Transformer-based model, the daily OSTIA product, and the official AHI SST product (clear-sky conditions) further indicate that the proposed CNN achieves the highest accuracy. Although RMSE exceeds 1 °C for certain cloud types, the method substantially mitigates cloud-induced data loss and provides a reliable, high-accuracy, all-weather SST retrieval strategy for satellite ocean remote sensing.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».