MétaCan
Menu
Retour à la cohorte
Enregistrement W2776822022 · doi:10.3390/rs9121327

Modeling the Observed Microwave Emission from Shallow Multi-Layer Tundra Snow Using DMRT-ML

2017· article· en· W2776822022 sur OpenAlexaffabout
Nastaran Saberi, Richard Kelly, Peter Toose, Alexandre Roy, Chris Derksen

Notice bibliographique

RevueRemote Sensing · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensUniversité de MontréalEnvironment and Climate Change CanadaUniversity of Waterloo
Organismes subventionnairesEurostarsJapan Aerospace Exploration Agency
Mots-clésSnowSnowpackTundraAtmospheric sciencesEnvironmental scienceGeologyArcticGeomorphologyOceanography

Résumé

récupéré en direct d'OpenAlex

The observed brightness temperatures (Tb) at 37 GHz from typical moderate density dry snow in mid-latitudes decreases with increasing snow water equivalent (SWE) due to volume scattering of the ground emissions by the overlying snow. At a certain point, however, as SWE increases, the emission from the snowpack offsets the scattering of the sub-nivean emission. In tundra snow, the Tb slope reversal occurs at shallower snow thicknesses. While it has been postulated that the inflection point in the seasonal time series of observed Tb V 37 GHz of tundra snow is controlled by the formation of a thick wind slab layer, the simulation of this effect has yet to be confirmed. Therefore, the Dense Media Radiative Transfer Theory for Multi Layered (DMRT-ML) snowpack is used to predict the passive microwave response from airborne observations over shallow, dense, slab-layered tundra snow. Airborne radiometer observations coordinated with ground-based in situ snow measurements were acquired in the Canadian high Arctic near Eureka, NT, in April 2011. The DMRT-ML was parameterized with the in situ snow measurements using a two-layer snowpack and run in two configurations: a depth hoar and a wind slab dominated pack. With these two configurations, the calibrated DMRT-ML successfully predicted the Tb V 37 GHz response (R correlation of 0.83) when compared with the observed airborne Tb footprints containing snow pits measurements. Using this calibrated model, the DMRT-ML was applied to the whole study region. At the satellite observation scale, observations from the Advanced Microwave Scanning Radiometer-Earth Observing System (AMSR-E) over the study area reflected seasonal differences between Tb V 37 GHz and Tb V 19 GHz that supports the hypothesis of the development of an early season volume scattering depth hoar layer, followed by the growth of the late season emission-dominated wind slab layer. This research highlights the necessity to consider the two-part emission characteristics of a slab-dominated tundra snowpack at 37 GHz Tb.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,773
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,160
Tête enseignante GPT0,282
Écart entre enseignants0,122 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRemote SensingMême sujetCryospheric studies and observationsTravaux en français237 207