First-year sea ice melt pond fraction estimation from dual-polarisation C-band SAR – Part 2: Scaling in situ to Radarsat-2
Notice bibliographique
Résumé
Abstract. Sea ice melt pond fraction (fp), linked with lower sea ice surface albedo and increased light transmittance to the ocean, is inadequately parameterised in sea ice models due to a lack of observations. In this paper, results from a multi-scale remote-sensing program dedicated to the retrieval of level first-year sea ice (FYI) fp from dual co- and cross-polarisation C-band synthetic aperture radar (SAR) backscatter are detailed. Models which utilise the dominant effect of free-water melt ponds on the VV / HH (vertical transmit and vertical receive / horizontal transmit and horizontal receive) polarisation ratio at high incidence angles are tested for their ability to provide estimates of the subscale fp. Retrieved fp from noise-corrected Radarsat-2 quad-polarisation scenes are in good agreement with observations from coincident aerial survey data, with root mean square errors (RMSEs) of 0.05–0.07 obtained during intermediate and late stages of ponding. Weak model performance is attributed to the presence of wet snow and slush during initial ponding, and a synoptically driven freezing event causing ice lids to form on ponds. The HV / HH (horizontal transmit and vertical receive / horizontal transmit and horizontal receive) ratio explains a greater portion of variability in fp, compared to VV / HH, when ice lids are present. Generally low HV channel intensity suggests limited applications using dual cross-polarisation data, except with systems that have exceptionally low noise floors. Results demonstrate the overall potential of dual-polarisation SAR for standalone or complementary observations of fp for process-scale studies and improvements to model parameterisations.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».