Rain on snow (ROS) understudied in sea ice remote sensing: a multi-sensor analysis of ROS during MOSAiC (Multidisciplinary drifting Observatory for the Study of Arctic Climate)
Notice bibliographique
Résumé
Abstract. Arctic rain on snow (ROS) deposits liquid water onto existing snowpacks. Upon refreezing, this can form icy crusts at the surface or within the snowpack. By altering radar backscatter and microwave emissivity, ROS over sea ice can influence the accuracy of sea ice variables retrieved from satellite radar altimetry, scatterometers, and passive microwave radiometers. During the Arctic Ocean MOSAiC (Multidisciplinary drifting Observatory for the Study of Arctic Climate) expedition, there was an unprecedented opportunity to observe a ROS event using in situ active and passive microwave instruments similar to those deployed on satellite platforms. During liquid water accumulation in the snowpack from rain and increased melt, there was a 4-fold decrease in radar energy returned at Ku- and Ka-bands. After the snowpack refroze and ice layers formed, this decrease was followed by a 6-fold increase in returned energy. Besides altering the radar backscatter, analysis of the returned waveforms shows the waveform shape changed in response to rain and refreezing. Microwave emissivity at 19 and 89 GHz increased with increasing liquid water content and decreased as the snowpack refroze, yet subsequent ice layers altered the polarization difference. Corresponding analysis of the CryoSat-2 waveform shape and backscatter as well as AMSR2 brightness temperatures further shows that the rain and refreeze were significant enough to impact satellite returns. Our analysis provides the first detailed in situ analysis of the impacts of ROS and subsequent refreezing on both active and passive microwave observations, providing important baseline knowledge for detecting ROS over sea ice and assessing their impacts on satellite-derived sea ice variables.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».