Sea ice melt pond fraction estimation from dual-polarisation C-band SAR – Part 1: In situ observations
Notice bibliographique
Résumé
Abstract. An understanding of the evolution of melt ponds on Arctic sea ice is important for climate model parameterizations, weather forecast models, and process studies involving mass, energy and biogeochemical exchanges across the ocean-sea ice–atmosphere interface. A field campaign was conducted on landfast first-year sea ice in the Canadian Arctic Archipelago during the summer of 2012, to examine the potential for estimating melt pond fraction from C-band synthetic aperture radar (SAR). In this study, in situ dual-polarisation radar scatterometer observations of pond covered ice are combined with surface physical measurements to analyse the effects of radar and surface parameters on backscatter. LiDAR measurements of ice surface roughness and ultrasonic wind-wave height profiles of melt ponds are used to quantify the sea ice surface rms-height. Variables contributing to the roughness of wind-generated melt pond surface waves within the fetch-limited pond environment are evaluated, and we show that pond roughness and backscatter cannot be explained by wind speed alone. The utility of the VV / HH polarisation ratio (PR) for retrieving melt pond properties including pond fraction, due to the dielectric contrast between free surface water and sea ice, is demonstrated and explained using Bragg scattering theory. Finally, the PR approach is discussed in the context of retrievals from satellite C-, L-, and P-band dual-polarisation SAR.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».