Retrieval and parameterisation of sea-ice bulk density from airborne multi-sensor measurements
Notice bibliographique
Résumé
Abstract. Knowledge of sea-ice thickness and volume depends on freeboard observations from satellite altimeters and in turn on information of snow mass and sea-ice density required for the freeboard-to-thickness conversion. These parameters, especially sea-ice density, are usually based on climatologies constructed from in situ observations made in the 1980s and earlier while contemporary and representative measurements are lacking. Our aim with this paper is to derive updated sea-ice bulk density estimates suitable for the present Arctic sea-ice cover and a range of ice types to reduce uncertainties in sea-ice thickness remote sensing. Our sea-ice density measurements are based on over 3000 km of high-resolution collocated airborne sea-ice and snow thickness and freeboard measurements in the western Arctic Ocean in 2017 and 2019. Sea-ice bulk density is derived assuming isostatic equilibrium for different ice types. Our results show higher average bulk densities for both first-year ice (FYI) and especially multi-year ice (MYI) compared to previous studies. In addition, we find a small difference between deformed and possibly unconsolidated FYI and younger MYI. We find a negative-exponential relationship between sea-ice bulk density and sea-ice freeboard and apply this parameterisation to one winter of monthly gridded CryoSat-2 sea-ice freeboard data. We discuss the suitability and the impact of the derived FYI and MYI bulk densities for sea-ice thickness retrievals and the uncertainty related to the indirect method of measuring sea-ice bulk density. The results suggest that retrieval algorithms be adapted to changes in sea-ice density and highlight the need of future studies to evaluate the impact of density parameterisation on the full sea-ice thickness data record.
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) | 0,002 | 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 ».