Snow Depth Retrieval on Arctic Sea Ice Using Under-Ice Hyperspectral Radiation Measurements
Notice bibliographique
Résumé
Radiation transmitted through sea ice and snow has an important impact on the energy partitioning at the atmosphere-ice-ocean interface. Snow depth and ice thickness are crucial in determining its temporal and spatial variations. Under-ice surveys using autonomous robotic vehicles to measure transmitted radiation often lack coincident snow depth and ice thickness measurements so that direct relationships cannot be investigated. Snow and ice imprint distinct features on the spectral shape of transmitted radiation. Here, we use those features to retrieve snow depth. Transmitted radiance was measured underneath landfast level first-year ice using a remotely operated vehicle in the Lincoln Sea in spring 2018. Colocated measurements of snow depth and ice thickness were acquired. Constant ice thickness, clear water conditions, and low in-ice biomass allowed us to separate the spectral features of snow. We successfully retrieved snow depth using two inverse methods based on under-ice optical spectra with 1) normalized difference indices and 2) an idealized two-layer radiative transfer model including spectral snow and sea ice extinction coefficients. The retrieved extinction coefficients were in agreement with previous studies. We then applied the methods to continuous time series of transmittance and snow depth from the landfast first-year ice and from drifting, melt-pond covered multiyear ice in the Central Arctic in autumn 2018. Both methods allow snow depth retrieval accuracies of approximately 5 cm. Our results show that atmospheric variations and absolute light levels have an influence on the snow depth retrieval.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».