Application of GNSS Interferometric Reflectometry for the Estimation of Lake Ice Thickness
Notice bibliographique
Résumé
Lake ice thickness is a sensitive indicator of climate change largely through its dependency on near-surface air temperature and on-ice snow mass (depth and density). Monitoring of the seasonal variations and trends in ice thickness is also important for the operation of winter ice roads that northern communities rely on for the movement of goods as well as for cultural and leisure activities (e.g., snowmobiling). Therefore, consistent measurements of ice thickness over lakes is important; however, field measurements tend to be sparse in both space and time in many northern countries. Here, we present an application of L-band frequency Global Navigation Satellite System (GNSS) Interferometric Reflectometry (GNSS-IR) for the estimation of lake ice thickness. The proof of concept is demonstrated through the analysis of Signal-to-Noise Ratio (SNR) time series extracted from Global Positioning System (GPS) constellation L1 band raw data acquired between 8 and 22 March (2017 and 2019) at 14 lake ice sites located in the Northwest Territories, Canada. Dominant frequencies are extracted using Least Squares Harmonic Estimation (LS-HE) for the retrieval of ice thickness. Estimates compare favorably with in-situ measurements (mean absolute error = 0.05 m, mean bias error = −0.01 m, and root mean square error = 0.07 m). These results point to the potential of GPS/GNSS-IR as a complementary tool to traditional field measurements for obtaining consistent ice thickness estimates at many lake locations, given the relatively low cost of GNSS antennas/receivers.
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 | 0,001 |
| 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 ».