Evolution of Melt Pond Fraction and Depth on Multiyear Ice in 2020 from High Resolution Satellite Observations
Notice bibliographique
Résumé
Observations reveal end of summer Arctic sea ice extent is declining at an accelerating rate. Model projections underestimate this decline and continue to have a broad spread in forecasted September sea ice extent. This suggests some important summer processes, such as melt pond formation and evolution, may not be properly represented in current models. Melt ponds form on the sea ice surface as snow melts, and pools in low lying areas on the sea ice surface. The evolution of the ponds depends on snow depth, ice thickness, and surface conditions. Melt water may spread across a level surface, or be confined to depressions between sea ice ridges. Ponds decrease the albedo of the surface and enhance the positive ice albedo feedback, accelerating further melt. Until recently, Arctic-wide observations of individual melt ponds were not available. ICESat-2, a photon counting laser altimeter launched in 2018, provides high resolution detail of sea ice and snow topography due to its unique combination of a small footprint (~12 m) and high-resolution along-track sampling (0.7 m). The green laser (532 nm) is able to penetrate water, enabling melt pond depth measurements. We have developed methods to track the melt pond surface and bathymetry in ICESat-2 data to determine melt pond depth. We also track melt pond evolution through application of a sea ice classification algorithm to 10 m resolution Sentinel-2 imagery. The combination of these two datasets allows for an evolving, three-dimensional view of the melting sea ice surface. We focus on the evolution of summer melt on multiyear ice in the Central Arctic north of Greenland and Canada in 2020. Our findings are put in context of existing literature on melt pond depth, volume, and evolution. We also discuss our results in relation to the melt pond fraction north of the Fram Strait, where we expect different ice conditions in the vicinity of the 2020 MOSAiC field studies. Observational data products comprising melt pond fraction and pond depth are being developed for public distribution. These products may be of interest to those studying under-ice light and biology, as well as modelers who are interested in understanding the evolution of melt pond parameters for model initialization and validation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».