Lake Ice Thickness Retrieval Method with ICESat-2-Assisted CyroSat-2 Echo Peak Selection
Notice bibliographique
Résumé
Lake ice thickness (LIT) is one of the key climate variables in the lake ice domain, but there are currently large uncertainties in the retrieval of LIT. We present and validate a new LIT retrieval method that utilizes ICESat-2 data to assist CryoSat-2 echo peak selection, aiming to improve the accuracy of LIT retrieval and enable data acquisition without on-site measurements. The method involves screening out similar ICESat-2 and CryoSat-2 tracks based on time and space constraints. It also involves dynamically adjusting the range constraint window of CryoSat-2 waveforms based on the high-precision lake ice surface ellipsoid height obtained from ICESat-2/ATL06 data. Within this range constraint window, the peak selection strategy is used to determine the scattering interfaces between snow-ice and ice-water. By utilizing the distance between the scattering horizons, the thickness of the lake ice can be determined. We performed the ice thickness retrieval experiment for Baker Lake in winter and verified it against the on-site measurement data. The results showed that the accuracy was about 0.143 m. At the same time, we performed the ice thickness retrieval experiment for Great Bear Lake (GBL), which does not have on-site measurement data, and compared it with the climate change trend of GBL. The results showed that the retrieval results were consistent with the climate change trend of GBL, confirming the validity of the proposed method.
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) | 0,001 | 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».