Local-scale variability of snow density on Arctic sea ice
Notice bibliographique
Résumé
Abstract. Local-scale variations in snow density and layering on Arctic sea ice were characterized using a combination of traditional snow pit and SnowMicroPen (SMP) measurements. In total, 14 sites were evaluated within the Canadian Arctic Archipelago and Arctic Ocean on both first-year (FYI) and multi-year (MYI) sea ice. Sites contained multiple snow pits with coincident SMP profiles as well as unidirectional SMP transects. An existing SMP density model was recalibrated using manual density cutter measurements (n=186) to identify best-fit parameters for the observed conditions. Cross-validation of the revised SMP model showed errors comparable to the expected baseline for manual density measurements (RMSE = 34 kg m−3 or 10.9 %) and strong retrieval skill (R2=0.78). The density model was then applied to SMP transect measurements to characterize variations at spatial scales of up to 100 m. A supervised classification trained on snow pit stratigraphy allowed separation of the SMP density estimates by layer type. The resulting dataset contains 58 882 layer-classified estimates of snow density on sea ice representing 147 m of vertical variation and equivalent to more than 600 individual snow pits. An average bulk density of 310 kg m−3 was estimated with clear separation between FYI and MYI environments. Lower densities on MYI (277 kg m−3) corresponded with increased depth hoar composition (49.2 %), in strong contrast to composition of the thin FYI snowpack (19.8 %). Spatial auto-correlation analysis showed layered composition on FYI snowpack to persist over long distances while composition on MYI rapidly decorrelated at distances less than 16 m. Application of the SMP profiles to determine propagation bias in radar altimetry showed the potential errors of 0.5 cm when climatology is used over known snow density.
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) | 0,003 | 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 ».