Improved 1D inversions for sea ice thickness and conductivity from electromagnetic induction data: Inclusion of nonlinearities caused by passive bucking
Notice bibliographique
Résumé
ABSTRACT The porosity of sea ice is a fundamental physical parameter that governs the mechanical strength of sea ice and the mobility of gases and nutrients for biological processes and biogeochemical cycles in the sea ice layer. However, little is known about the spatial distribution of the sea ice porosity and its variability between different sea ice types; an efficient and nondestructive method to measure this property is currently missing. Sea ice porosity is linked to the bulk electrical conductivity of sea ice, a parameter routinely used to discriminate between sea ice and seawater by electromagnetic (EM) induction sensors. Here, we have evaluated the prospect of porosity retrieval of sea ice by means of bulk conductivity estimates using 1D multifrequency EM inversion schemes. We have focused on two inversion algorithms, a smoothness-constrained inversion and a Marquardt-Levenberg inversion, which we modified for the nonlinear signal bias caused by a passive bucking coil operated in such a highly conductive environment. Using synthetic modeling studies, 1D inversion algorithms and multiple frequencies, we found that we can resolve the sea ice conductivity within ±0.01 S/m. Using standard assumptions for the conductivity-porosity relation of sea ice, we were able to estimate porosity with an uncertainty of ±1.2%, which enables efficient and nondestructive surveys of the internal state of the sea ice cover.
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 | 0,000 | 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 | 0,000 | 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 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 ».