Observing the snow and ice properties over the Labrador shelf with helicopter-borne Ground-Penetrating Radar, Laser and Electromagnetic sensors
Notice bibliographique
Résumé
During March 2009, a unique data set was collected with helicopter-borne sensors from the Labrador shelf. For the first time a Ground-Penetrating-Radar (GPR) provided snow thicknesses and complemented the Electromagnetic-Laser (EM) and Video-Laser data sets to explain the ice and snow properties of the land-fast and mobile ice covers. Ice and snow thickness data were collected with helicopter-borne EM and GPR sensors along shoreward flight paths and video data with a video-laser system along seaward flight paths. A total of 550km of ice and snow thickness profile data was collected and a total of 550km of video data. As indicated by the RADARSAT-2 image, four distinct ice thickness regimes were seen. Offshore, small wave-broken floes existed with a very homogeneous 1.2m modal thickness. Inshore of this region, large floes were observed with the same modal thickness of 1.2m but having a larger thickness variability. Areas of open water and thin ice were seen offshore of the rough outer region of the land-fast ice. The GPR data showed that offshore the snow thickness appeared thinner as snow was continually blown from the ice into leads between the floes where it stimulated the formation of frazil ice.
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) | 0,000 | 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 ».