High-Resolution Snow Depth on Arctic Sea Ice From Low-Altitude Airborne Microwave Radar Data
Notice bibliographique
Résumé
We present new high-resolution snow depth data on Arctic sea ice derived from airborne microwave radar measurements from the IceBird campaigns of the Alfred Wegener Institute (AWI) together with a new retrieval method using signal peakiness based on an intercomparison exercise of colocated data at different altitudes. We aim to demonstrate the capabilities and potential improvements of radar data, which were acquired at a lower altitude (200 ft) and slower speed (110 kn) and had a smaller radar footprint size (2-m diameter) than previous airborne snow radar data. So far, AWI Snow Radar data have been derived using a 2–18-GHz ultrawideband frequency-modulated continuous-wave (FMCW) radar in 2017–2019. Our results show that our method in combination with thorough calibration through coherent noise removal and system response deconvolution significantly improves the quality of the radar-derived snow depth data. The validation against a 2-D grid of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">in situ</i> snow depth measurements on level landfast first-year ice indicates a mean bias of only 0.86 cm between radar and ground truth. Comparison between the radar-derived snow depth estimates from different altitudes shows good consistency. We conclude that the AWI Snow Radar aboard the IceBird campaigns is able to measure the snow depth on Arctic sea ice accurately at higher spatial resolution than but consistent with the existing airborne snow radar data of NASA Operation IceBridge. Together with the simultaneous measurements of the total ice thickness and surface freeboard, the IceBird campaign data will be able to describe the whole sea-ice column on regional scales.
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 | 0,001 | 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 ».