Assessment of radar‐derived snow depth over <scp>A</scp>rctic sea ice
Notice bibliographique
Résumé
Abstract Knowledge of contemporaneous snow depth on Arctic sea ice is important both to constrain the regional climatology and to improve the accuracy of satellite altimeter estimates of sea ice thickness. We assess new data available from the NASA Operation IceBridge snow radar instrument and derive snow depth estimates across the western Arctic ice pack using a novel methodology based on wavelet techniques that define the primary reflecting surfaces within the snow pack. We assign uncertainty to the snow depth estimates based upon both the radar system parameters and sea ice topographic variability. The accuracy of the airborne snow depth estimates are examined via comparison with coincident measurements gathered in situ across a range of ice types in the Beaufort Sea. We discuss the effect of surface morphology on the derivation, and consequently the accuracy, of airborne snow depth estimates. We find that snow depths derived from the airborne snow radar using the wavelet‐based technique are accurate to 1 cm over level ice. Over rougher surfaces including multiyear and ridged ice, the radar system is impacted by ice surface morphology. Across basin scales, we find the snow‐radar‐derived snow depth on first‐year ice is at least ∼60% of the value reported in the snow climatology for the Beaufort Sea, Canada Basin, and parts of the central Arctic, since these regions were previously dominated by multiyear ice during the measurement period of the climatology. Snow on multiyear ice is more consistent with the climatology.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 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 ».