Notice bibliographique
Résumé
Ice thickness across lake ice is influenced mainly by the presence of snow and its distribution, as it directly impacts the rate of lake ice growth. The spatial distribution of snow depth over lake ice varies and is driven by wind redistribution and snowpack metamorphism, creating variability in the lake ice thickness. The accuracy and consistency of snow depth measurement data on lake ice are challenging and sparse to obtain. However, high spatial resolution lake snow depth observations are necessary for the next generation of thermodynamic lake ice models. Such information is required to improve the knowledge and understanding of snow depth distribution over lake ice. This study maps snow depth distribution over lake ice using ground-penetrating radar (GPR) two-way travel-time (TWT) with ~9 cm spatial resolution along transects totalling ~44 km over four freshwater lakes in Canada’s sub-arctic. The accuracy of the snow depth retrieval is assessed using in situ snow depth observations (n =2,430). On average, the snow depth derived from GPR TWTs for the early winter season is estimated with a root mean square error (RMSE) of 1.58 cm and a mean bias error of -0.01 cm. For the late winter season on a deeper snowpack, the accuracy is estimated with RMSE of 2.86 cm and a mean bias error of 0.41 cm. The GPR-derived snow depths are interpolated to create 1 m spatial resolution snow depth maps. Overall, this study improved lake snow depth retrieval accuracy and introduced a fast and efficient method to obtain high spatial resolution snow depth information, which is essential for the lake ice modelling community.
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 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,011 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,401 | 0,293 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».