Joint Retrieval of Ozone Profile in Near Space Based on the Atmospheric and Near Infrared Atmospheric Bands of O2Airglow
2026-08-06 15:10
🔍 耿同学打假报告
论文信息
- 论文来源:getPDF.jsp.pdf
- 标题:Joint Retrieval of Ozone Profile in Near Space Based on the Atmospheric and Near Infrared Atmospheric Bands of O2Airglow
- 作者:Weiwei He, Zhongyi Fu, Daoqi Wang, Yufeng Zhou, Dongsheng Luo, Zhihua Wang, Xinyu Kang, Kuijun Wu
- 期刊:IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING
- DOI:10.1109/TGRS.2025.3598100
- 发表年份:2025
综合评定:✅ 清白
详细发现
⚠️ 发现 1:图片复用检测受限于文本形式
- 位置:Figure 1 - Figure 15
- 描述:本次检测仅获取了论文的纯文本内容(包含部分排版乱码),未提供足够的原始高清图片信息。
- 证据:无法对 Western Blot、显微镜图或卫星遥感辐射光谱图进行像素级比对和背景噪点分析。
- 严重程度:🟡(无法判断)
- 复核状态:⚠️ 依据不足
发现 2:数据与统计学逻辑高度自洽
- 位置:Abstract / Section IV. RESULTS AND VALIDATION / Section V. CONCLUSION
- 描述:遥感反演类论文的数据通常表现为连续的廓线(Profile)和相关性分析。本文报告了与 SABER 数据的偏差(< 1 ppmv)以及与 MIPAS 数据的线性相关系数(0.96),并客观指出了在特定高度(如 70km 处的自吸收效应、90km 以上的信噪比下降)出现的误差增大现象。
- 证据:摘要和结论中明确提到“deviation of less than 1 part per million (ppm) by volume compared with the SABER data and a linear correlation coefficient of 0.96 compared with MIPAS data”,且在结果部分详细探讨了高空 SNR 降低和低空自吸收引起的误差。这种对“不完美数据”的客观呈现是真实科学研究过程的典型特征,未触发“随机数生成器造假”的红旗信号。
- 严重程度:✅(未发现异常)
- 复核状态:✅ 成立
发现 3:时间线与设备使用逻辑合理
- 位置:Section III. DATA AND METHODS / Section IV
- 描述:论文使用了 ENVISAT 卫星上的 SCIAMACHY 仪器数据,选取的观测时间为 2011 年(如 May 19, 2011; April 19, 2011)。ENVISAT 卫星于 2012 年 4 月与地球失去联系并坠落。
- 证据:原文中多处明确使用了2011年的历史数据(如“May 19, 2011”、“April 19, 2011”等)。同时文章日期信息显示于 2025 年 8 月发表,利用历史遥感数据进行算法反演研究在时间逻辑上没有任何漏洞。
- 严重程度:✅(未发现异常)
- 复核状态:✅ 成立
发现 4:方法学描述详实严谨
- 位置:Section II - Section III
- 描述:论文建立了完善的光化学模型,并给出了详细的微分方程和“剥洋葱”反演算法的数学推导。引用了正确的速率常数和光谱数据库(HITRAN)。
- 证据:原文提供了光化学分子浓度方程(公式5-8)以及“onion peeling”算法的相关数学推导(公式13-15)。并在 Section II 中明确提到“the calculation of the jump probabilities was based on the HITRAN database”。公式推导与物理过程(如自吸收效应校正)描述匹配,未发现前后矛盾。
- 严重程度:✅(未发现异常)
- 复核状态:✅ 成立
耿同学辣评
遥感反演算法文章嘛,天上飞的卫星图咱们肉眼凡胎从文字里看不出PS的痕迹。但作者拿2011年SCIAMACHY的老古董数据,硬是把反演算法盘得包浆,还把那些数据飘忽的“瑕疵”交代得一清二楚。公式推导扎实,误差分析坦诚,这种踏踏实实做物理模型推导的风格,比那些满篇完美“假数据”的灌水文章顺眼多了,这次算是安全下车!
建议后续行动
- 文本层面未发现明显异常,暂无需联系作者提供原始数据。
- (可选)若存在同行评议争议,可要求作者提供代码或验证集的开源链接。
⚠️ 免责声明
本报告由 AI 辅助生成,仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信,但也尊重每一位研究者的名誉权。
如有异议,请以官方调查结论为准。
本工具不保证检测结果的准确性,误报和漏报均有可能。