Estimation of snow water equivalent using microwave radiometry over Arctic first‐year sea ice
Notice bibliographique
Résumé
Abstract The magnitude and spatial distribution of snow on sea ice are both integral components of the ocean–sea‐ice–atmosphere system. Although there exists a number of algorithms to estimate the snow water equivalent (SWE) on terrestrial surfaces, to date there is no precise method to estimate SWE on sea ice. Physical snow properties and in situ microwave radiometry at 19, 37 and 85 GHz, V and H polarization were collected for a 10‐day period over 20 first‐year sea ice sites. We present and compare the in situ physical, electrical and microwave emission properties of snow over smooth Arctic first‐year sea ice for 19 of the 20 sites sampled. Physical processes creating the observed vertical patterns in the physical and electrical properties are discussed. An algorithm is then developed from the relationship between the SWE and the brightness temperature measured at 37 GHz (55°) H polarization and the air temperature. The multiple regression between these variables is able to account for over 90% of the variability in the measured SWE. This algorithm is validated with a small in situ data set collected during the 1999 field experiment. We then compare our data against the NASA snow thickness algorithm, designed as part of the NASA Earth Enterprise Program. The results indicated a lack of agreement between the NASA algorithm and the algorithm developed here. This lack of agreement is attributed to differences in scale between the Special Sensor Microwave/Imager and surface radiometers and to differences in the Antarctic versus Arctic snow physical and electrical properties. Copyright © 2003 John Wiley & Sons, Ltd.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».