Snow Depth Estimation on Lead-less Landfast ice using Cryo2Ice satellite observations
Notice bibliographique
Résumé
Abstract. Observations of snow on Arctic sea ice are vitally important for sea ice thickness estimation as well as for understanding bio-physical processes and human-activities. This study is the first assessment of the potential for near-coincident ICESat-2 and Cryosat-2 (Cryo2Ice) snow depth retrievals in a lead-less region of the Canadian Arctic Archipelago. Snow depths are retrieved using the absolute difference in surface height from a near-coincident ICESat-2 and Cryosat-2 after applying an ocean tide correction between satellite passes 77 minutes apart. Both the absolute mean snow depths and snow depth distributions retrieved from Cryo2Ice compare favourably to in-situ measurements. All four in-situ sites had snow with saline basal layers and different levels of roughness/ridging. The retrieved Cryo2Ice snow depths were underestimated by an average of 20.7 % which is slightly higher than the tidal adjustment applied. Differences in the Cryo2Ice and in-situ snow depth distributions reflected the different sampling resolutions between the sensors and the in-situ measurements, with more heavily ridged areas producing larger mean underestimation of the snow depth. Results suggest the possibility of estimating snow depth over lead-less landfast sea ice but attributing 2–3 cm biases to differences in sampling resolution, snow salinity, density, surface roughness and/or errors in altimeter’s tidal corrections require further investigation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».