Sea Ice Roughness Overlooked as a Key Source of Uncertainty in CryoSat‐2 Ice Freeboard Retrievals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract ESA's CryoSat‐2 has transformed the way we monitor Arctic sea ice, providing routine measurements of the ice thickness with near basin‐wide coverage. Past studies have shown that uncertainties in the sea ice thickness retrievals can be introduced at several steps of the processing chain, for instance, in the estimation of snow depth, and snow and sea ice densities. Here, we apply a new physical model to CryoSat‐2, which further reveals sea ice surface roughness as a key overlooked feature of the conventional retrieval process. High‐resolution airborne observations demonstrate that snow and sea ice surface topography can be better characterized by a lognormal distribution, which varies based on the ice age and surface roughness within a CryoSat‐2 footprint, than a Gaussian distribution. Based on these observations, we perform a set of simulations for the CryoSat‐2 echo waveform over “virtual” sea ice surfaces with a range of roughness and radar backscattering configurations. By accounting for the variable roughness, our new lognormal retracker produces sea ice freeboards that compare well with those derived from NASA's Operation IceBridge airborne data and extends the capability of CryoSat‐2 to profile the thinnest/smoothest sea ice and thickest/roughest ice. Our results indicate that the variable ice surface roughness contributes a systematic uncertainty in sea ice thickness of up to 20% over first‐year ice and 30% over multiyear ice, representing one of the principal sources of pan‐Arctic sea ice thickness uncertainty.
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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle