Measuring the specific surface area of wet snow using 1310 nm reflectance
Notice bibliographique
Résumé
Abstract. The specific surface area (SSA) of snow can be used as an objective measurement of grain size and is therefore a central variable to describe snow physical properties such as albedo. Snow SSA can now be easily measured in the field using optical methods based on infrared reflectance. However, existing optical methods have only been validated for dry snow. Here we test the possibility to use the DUFISSS instrument, based on the measurement of the 1310 nm reflectance of snow with an integrating sphere, to measure the SSA of wet snow. We perform cold room experiments where we measure the SSA of a wet snow sample, freeze it and measure it again, to quantify the difference in reflectance between frozen and wet snow. We study snow samples in the SSA range 12–37 m2 kg−1 and in the mass liquid water content (LWC) range 5–32%. We conclude that the SSA of wet snow can be obtained from the measurement of its 1310 nm reflectance using three simple steps. In most cases, the SSA thus obtained is less than 10 {%} different from the value that would have been obtained if the sample had been considered dry, so that the three simple steps constitute a minor correction. We also run two optical models to interpret the results, but no model reproduces correctly the water–ice distribution in wet snow, so that their predictions of wet snow reflectance are imperfect. The correction on the determination of wet snow SSA using the DUFISSS instrument gives an overall uncertainty better than 11%, even if the LWC is unknown. If SSA is expressed as a surface to volume ratio (e.g., in mm−1), the uncertainty is then 13% because of additional uncertainties in the determination of the volume of ice and water when the LWC is unknown.
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 | 0,001 | 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 ».