Low Cost and Compact FMCW 24 GHz Radar Applications for Snowpack and Ice Thickness Measurements
Notice bibliographique
Résumé
Monitoring the evolution of snow on the ground and lake ice-two of the most important components of the changing northern environment-is essential. In this paper, we describe a lightweight, compact and autonomous 24 GHz frequency-modulated continuous-wave (FMCW) radar system for freshwater ice thickness and snow mass (snow water equivalent, SWE) measurements. Although FMCW radars have a long-established history, the novelty of this research lies in that we take advantage the availability of a new generation of low cost and low power requirement units that facilitates the monitoring of snow and ice at remote locations. Test performance (accuracy and limitations) is presented for five different applications, all using an automatic operating mode with improved signal processing: (1) In situ lake ice thickness measurements giving 2 cm accuracy up to ≈1 m ice thickness and a radar resolution of 4 cm; (2) remotely piloted aircraft-based lake ice thickness from low-altitude flight at 5 m; (3) in situ dry SWE measurements based on known snow depth, giving 13% accuracy (RMSE 20%) over boreal forest, subarctic taiga and Arctic tundra, with a measurement capability of up to 3 m in snowpack thickness; (4) continuous monitoring of surface snow density under particular Antarctic conditions; (5) continuous SWE monitoring through the winter with a synchronized and collocated snow depth sensor (ultrasonic or LiDAR sensor), giving 13.5% bias and 25 mm root mean square difference (RMSD) (10%) for dry snow. The need for detection processing for wet snow, which strongly absorbs radar signals, is discussed. An appendix provides 24 GHz simulated effective refractive index and penetration depth as a function of a wide range of density, temperature and wetness for ice and snow.
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) | 0,000 | 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 ».