Snow and Ice Thickness Retrievals Using GNSS-R: Preliminary Results of the MOSAiC Experiment
Notice bibliographique
Résumé
The FSSCat mission was the 2017 ESA Sentinel Small Satellite (S⌃3) Challenge winner and the Copernicus Masters competition overall winner. It was successfully launched on 3 September 2020 onboard the VEGA SSMS PoC (VV16). FSSCat aims to provide coarse and downscaled soil moisture data and over polar regions, sea ice cover, and coarse resolution ice thickness using a combined L-band microwave radiometer and GNSS-Reflectometry payload. As part of the calibration and validation activities of FSSCat, a GNSS-R instrument was deployed as part of the MOSAiC polar expedition. The Multidisciplinary drifting Observatory for the Study of Arctic Climate expedition was an international one-year-long field experiment led by the Alfred Wegener Institute to study the climate system and the impact of climate change in the Arctic Ocean. This paper presents the first results of the PYCARO-2 instrument, focused on the GNSS-R techniques used to measure snow and ice thickness of an ice floe. The Interference Pattern produced by the combination of the GNSS direct and reflected signals over the sea-ice has been modeled using a four-layer model. The different thicknesses of the substrate layers (i.e., snow and ice) are linked to the position of the fringes of the interference pattern. Data collected by MOSAiC GNSS-R instrument between December 2019 and January 2020 for different GNSS constellations and frequencies are presented and analyzed, showing that under general conditions, sea ice and snow thickness can be retrieved using multiangular and multifrequency data.
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 ».