Improving Multiyear Ice Concentration Estimates With Reanalysis Air Temperatures
Notice bibliographique
Résumé
Multiyear ice (MYI) characteristics can be retrieved from passive or active microwave remote sensing observations. One of the algorithms that combine both observations to identify partial concentrations of ice types (including MYI) is the Environment Canada Ice Concentration Extractor (ECICE). However, cycles of warm-cold air temperature trigger wet-dry cycles of the snow cover on MYI surface. Under wet snow conditions, anomalous brightness temperature and backscatter, similar to those of first-year ice (FYI), are observed. This leads to misidentification of MYI as being FYI, hence decreasing the estimated MYI concentration suddenly. The purpose of this paper is to introduce a correction scheme to restore the MYI concentration under this condition. The correction is based on air temperature records. It utilizes the fact that the warm spell in autumn lasts for a short period of time (a few days). The correction is applied to MYI concentration retrievals from ECICE using an input of combined QuikSCAT and AMSR-E data, acquired over the Arctic region in a series of autumn seasons from 2003 to 2008. The correction works well by replacing anomalous MYI concentrations with interpolated ones. For September of the six years, it introduces over 0.1×10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">6</sup> km <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> MYI area, except for 2005. Due to the regional effect of warm air spells, the correction could be important in the operational applications where ice concentrations are crucial on small scale and mesoscale.
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 | 0,001 | 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) | 0,000 | 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 ».