Snow depth on Arctic sea ice derived from radar: In situ comparisons and time series analysis
Notice bibliographique
Résumé
Abstract The snow radar being flown on NASA's Operation IceBridge, ongoing aircraft campaigns to the Arctic and the Antarctic are providing unique observations of the depth of snow on the sea ice cover. In this paper, we focus on the radar‐derived snow depth results from the 2009–2012 Arctic campaigns. We develop and evaluate the use of a distinct snow layer tracker to measure snow depth based on a Support Vector Machine (SVM) supervised learning algorithm. The snow radar is designed to detect both the air‐snow and snow‐ice interfaces using ultrawideband frequencies from 2 to 8 GHz. The quality, errors, and repeatability of the snow radar snow depth estimates are examined, based on comparisons with in situ data obtained during two separate sea ice field campaigns, the GreenArc 2009 and the CryoVEx 2011 campaigns off Greenland in the Lincoln Sea. Finally, we analyze 4 years (2009–2012) of three annually repeated sea ice flight lines obtained in early spring, located off Greenland and the Canadian Arctic. We examine the annual variations of snow depth differences between perennial and seasonal ice when available. Overall, the snow layer tracker produced consistent, accurate results for snow depths between 0.10 and ∼0.60 m. This was confirmed with comparisons with the two data sets from the in situ measurement campaigns as well as with the time series analysis, and is consistent with other published results.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».