MétaCan
Menu
Retour à la cohorte
Enregistrement W3023320905 · doi:10.1109/jstars.2020.2991682

Multiangle, Frequency, and Polarization Radar Measurement of Ice Sheets

2020· article· en· W3023320905 sur OpenAlexaff
Jie‐Bang Yan, Linfeng Li, J. Nunn, Dorthe Dahl‐Jensen, Charles O’Neill, Drew Taylor, Christopher D. Simpson, Shashank Wattal, Daniel Steinhage, Prasad Gogineni, Heinrich Miller, Olaf Eisen

Notice bibliographique

RevueIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing · 2020
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesOffice of Polar ProgramsEuropean CommissionBergens ForskningsstiftelseNational Science FoundationA.P. Møller og Hustru Chastine Mc-Kinney Møllers Fond til almene FormaalUniversitetet i BergenInstitut Polaire Français Paul Emile VictorBeijing Normal UniversityChinese Academy of SciencesStaatssekretariat für Bildung, Forschung und InnovationNational Institute of Polar ResearchSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
Mots-clésRemote sensingRadarGeologyPolarization (electrochemistry)Computer scienceTelecommunications

Résumé

récupéré en direct d'OpenAlex

Radio echo sounding of polar ice sheets provides important information on the ice bed topography and internal layers. These data have been used by scientists to create 3-D maps of polar ice sheets for climate modeling as well as to reconstruct the climate history that dates back to hundreds of thousands of years. In this article, we present the design and development of three surface-based multichannel radars in the VHF and UHF bands. We provide results from radar data multifrequency and polarization radar data collected over the Greenland ice sheet. All the three radars shared the same digital waveform generator and digitizer, and were installed in and operated on a tracked vehicle. The radars are operated with three different antenna arrays designed for operation over 170-230, 180-340, and 600-900 MHz. The results we obtained sounded more than 2.7 km thick ice with radars operating at frequencies as high as 850 MHz with more than 40 dB signal-to-noise ratio.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,762
Score d'incertitude au seuil0,351

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
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 Opus0,037
Tête enseignante GPT0,209
Écart entre enseignants0,171 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations30
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Journal of Selected Topics in Applied Earth Observations and Remote SensingMême sujetCryospheric studies and observationsTravaux en français237 207