MétaCan
Menu
← Retour à la cohorte
Enregistrement W4388140855 · doi:10.5194/egusphere-2023-2351

A cold laboratory hyperspectral imaging system to map grain size and ice layer distributions in firn cores

2023· preprint· en· W4388140855 sur OpenAlexaff
Ian McDowell, Kaitlin Keegan, S. McKenzie Skiles, Christopher Donahue, E. C. Osterberg, R. L. Hawley, Hans‐Peter Marshall

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesOffice of Polar Programs
Mots-clésFirnIce coreGeologyIce sheetMeltwaterGreenland ice sheetStratigraphyGrain sizeGeomorphologySnowClimatologyPaleontology

Résumé

récupéré en direct d'OpenAlex

Abstract. The Greenland and Antarctic ice sheets are covered in a thick layer of porous firn. Knowledge of firn structure improves our understanding of ice sheet mass balance, supra- and englacial hydrology, and ice core paleoclimate records. While macroscale firn properties, such as firn density, are relatively easy to measure in the field or lab, more intensive measurements of grain-scale properties are necessary to reduce uncertainty in remote sensing observations of mass balance, model meltwater infiltration, and constrain ice age – gas age differences in ice cores. Additionally, as the duration and extent of surface melting increases, refreezing meltwater will greatly alter firn structure. Field observations of firn grain size and ice layer stratigraphy are required to inform and validate physical models that simulate the ice sheet-wide evolution of the firn layer. However, visually measuring grain size and ice layer distributions is tedious, time-consuming, and subjective. Here we demonstrate a method to systematically map firn core grain size and ice layer stratigraphy using a near-infrared hyperspectral imager (NIR-HSI; 900–1700 nm). We scanned 14 firn cores spanning ∼1000 km across western Greenland’s percolation zone with the NIR-HSI mounted on a linear translation stage in a cold laboratory. We leverage the relationship between ice grain size and near-infrared absorption to retrieve effective grain radii by inverting measured reflectance to produce high-resolution (0.4 mm) maps of grain size and ice layer stratigraphy. We show the NIR-HSI reproduces visually-identified ice layer stratigraphy and infiltration ice content across all cores. Effective grain sizes change synchronously with traditionally-measured grain radii with depth, although effective grains in each core are 1.5x larger on average, which can be explained by firn grain geometry. To demonstrate the utility of the firn stratigraphic maps produced by the NIR-HSI, we track the 2012 melt event across the transect and assess its impact on deep firn structure by quantifying changes to infiltration ice content and grain size. These results indicate that NIR-HSI firn core analysis is a robust technique that can document deep and long-lasting changes to the firn column from meltwater percolation, while quickly and accurately providing detailed firn stratigraphy datasets necessary for firn research applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,237
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCryospheric studies and observations→Travaux en français237 207→