Relationship between Microwave-Derived Snow Thickness on Winter First-Year Sea Ice and Melt-Pond Fraction
Notice bibliographique
Résumé
Early summer melt pond fraction is predicted using late winter C-band backscatter of snow-covered first-year sea ice. Considering the association between melt pond fraction and winter were collected during the 2012 field campaign in Resolute Passage, Nunavut, Canada on relatively smooth first year sea ice to estimate the aerial melt pond fractions. RADARSAT-2 Synthetic Aperture Radar (SAR) data were acquired over the study area in late winter. The correlations between the aerial melt pond fractions and late winter SAR parameters (e.g., linear and polarimetric) and texture measures derived from SAR parameters, are utilized to develop multivariate regression models. These regression models are finally employed to predict melt pond fractions. Results demonstrate substantial capability of the regression models to predict melt pond fractions at near range and far range incidence angles (RMSE = 0.11), compared to the mid-range (RMSE = 0.16). These predictions also act as a proxy to estimate the snow thickness variability, as higher pond fraction evolves from the thinner snow cover. We also found that the strength of the regression models enhances when we combined SAR parameters with texture measures. The results also indicate that at far range incidence angles, SAR polarimetric data are needed, whereas for near range and mid-range, linear SAR data are adequate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».