Forward modelling of synthetic-aperture radar (SAR) backscatter during lake ice melt conditions using the Snow Microwave Radiative Transfer (SMRT) model
Notice bibliographique
Résumé
Abstract. Monitoring of lake ice is important to maintain transportation routes, but in recent decades the number of in situ observations have declined. Remote sensing has worked to fill this gap in observations, with active microwave sensors, particularly synthetic-aperture radar (SAR), being a crucial technology. However, the impact of wet conditions on radar and how interactions change under these conditions have been largely ignored. It is important to understand these interactions as warming conditions are likely to lead to an increase in the occurrence of slush layers. This study works to address this gap using the Snow Microwave Radiative Transfer (SMRT) model to conduct forward-modelling experiments of backscatter for Lake Oulujärvi in Finland. Experiments were conducted under dry conditions, under moderate wet conditions, and under saturated conditions. These experiments reflected field observations during the 2020–2021 ice season. Results of the dry-snow experiments support the dominance of surface scattering from the ice–water interface. However, conditions where layers of wet snow are introduced show that the primary scattering interface changes depending on the location of the wet layer. The addition of a saturated layer at the ice surface results in the highest backscatter values due to the larger dielectric contrast created between the overlying dry snow and the slush layer. Improving the representation of these conditions in SMRT can also aid in more accurate retrievals of lake ice properties such as roughness, which is key for inversion modelling of other properties such as ice thickness.
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 | 0,001 | 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) | 0,001 | 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 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 ».