Microwave snow emission modeling uncertainties in boreal and subarctic environments
Notice bibliographique
Résumé
Abstract. This study aims to better understand and quantify the uncertainties in microwave snow emission models using the Dense Media Radiative Theory-Multilayer model (DMRT-ML) with in situ measurements of snow properties. We use surface-based radiometric measurements at 10.67, 19 and 37 GHz in boreal forest and subarctic environments and a new in situ dataset of measurements of snow properties (profiles of density, snow grain size and temperature, soil characterization and ice lens detection) acquired in the James Bay and Umijuaq regions of Northern Québec, Canada. A snow excavation experiment – where snow was removed from the ground to measure the microwave emission of bare frozen ground – shows that small-scale spatial variability in the emission of frozen soil is small. Hence, variability in the emission of frozen soil has a small effect on snow-covered brightness temperature (TB). Grain size and density measurement errors can explain the errors at 37 GHz, while the sensitivity of TB at 19 GHz to snow increases during the winter because of the snow grain growth that leads to scattering. Furthermore, the inclusion of observed ice lenses in DMRT-ML leads to significant improvements in the simulations at horizontal polarization (H-pol) for the three frequencies (up to 20 K of root mean square error). However, the representation of the spatial variability of TB remains poor at 10.67 and 19 GHz at H-pol given the spatial variability of ice lens characteristics and the difficulty in simulating snowpack stratigraphy related to the snow crust. The results also show that for ground-based radiometric measurements, forest emission reflected by the surface leads to TB underestimation of up to 40 K if neglected. We perform a comprehensive analysis of the components that contribute to the snow-covered microwave signal, which will help to develop DMRT-ML and to improve the required field measurements. The analysis shows that a better consideration of ice lenses and snow crusts is essential to improve TB simulations in boreal forest and subarctic environments.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».