Arctic‐scale assessment of satellite passive microwave‐derived snow depth on sea ice using Operation IceBridge airborne data
Notice bibliographique
Résumé
Snow depth on sea ice (SD) is a key geophysical variable, knowledge of which is critical for calculating the energy and mass balance budgets. Moreover, accurate knowledge of the SD distribution is important to retrieve sea‐ice thicknesses from altimetry data. So far, only space‐based microwave radiometers (e.g., Advanced Microwave Scanning Radiometer for Earth Observing System; AMSR‐E) provide operational SD on seasonal sea‐ice retrievals. A thorough assessment of these retrievals is needed on a large scale and on a variety of sea‐ice types. Our study presents such an assessment on Arctic sea ice using NASA's airborne Operation IceBridge (OIB) SDs, retrieved from radar measurements. Between 2009 and 2011, ∼610 12.5 km satellite grid cells were covered by seasonal sea ice where both satellite SD retrievals and OIB data were available. Using all the available data, the difference between the AMSR‐E product and the averaged OIB snow‐radar‐derived SD is 0.00±0.07 m. Satellite‐derived SD was accurate in the Beaufort Sea and the Canadian Archipelago but underestimated (∼0.07 m) in the Nares Strait. The RMSE between the two products ranges between 0.03 and 0.15 m. The RMSE is less than 0.06 m over a shallow snow cover (<0.20 m), in areas where satellite‐retrieved ice concentrations are higher than 90%, surface smooth, and ice thicker than ∼0.5 m. Locally the AMSR‐E algorithm can significantly underestimate SD. Several regions where the retrievals were less accurate (error >0.10 m) have been identified and related to the presence of either low ice concentration or significant fraction of multiyear ice within the grid cell that has not been flagged.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».