Observations of Thin First Year Sea Ice Using a Suite of Surface Radar, LiDAR, and Drone Sensors
Notice bibliographique
Résumé
Arctic sea ice is rapidly transitioning into a perennial first year ice pack and this is being observed with satellite remote sensing. Satellite image interpretation requires accurate knowledge of the physical conditions and how they give rise to the microwave scattering response that is present within a single image pixel. This study addresses this issue through a focused remote sensing study of thin first year sea ice. We present results from an experiment that fused datasets from surface-based C- and Ku-band polarimetric scatterometers, LiDAR, and drone-based optical and thermal infrared sensors. We grew frost-flower-covered thin first year sea ice in a mesocosm facility and measured the time-series evolution of C- and Ku-band scattering response as it evolved into snow-covered sea ice. Drone surveys, LiDAR scans, and physical sampling provided complementary characterization of the ice. Results quantify the sensitivity of C- and Ku-band to the presence of frost flowers, the addition of snow, and the meteorological conditions. Drone surveys enhanced the characterization by rapidly performing observations over a larger representative region. In essence, they are helping to close the gap between surface-based sensing and satellite imagery. Furthermore, this study complements and enhances our understanding of the snow-covered sea ice system.
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) | 0,000 | 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 ».