Inter-comparisons of Arctic snow depth products
Notice bibliographique
Résumé
Applying ICESat-2 and CryoSat-2 freeboards, the Arctic snow depth (ISCS) was obtained from October 2018 to April 2022. The results were assessed using Operation Ice Bridge (OIB) and Multidisciplinary Drifting Observatory for the Study of Arctic Climate (MOSAiC) in situ observations and compared with frequently used remote sensing (AMSR-E/AMSR2), climatology (modified W99 snow climatology data; MW99), and modelled (Pan-Arctic Ice Ocean Modelling and Assimilation Systems; PIOMAS) snow products. The ISCS snow depth exhibited high correlations (r = 0.67) and small mean bias (0.01 ± 0.06 m) against OIB results. We found good correlations (statistically significant) between MOSAiC and all snow depth products, except for MW99. Mean and absolute biases between ISCS and MOSAiC in situ observations were 0.01 ± 0.06 and 0.04 ± 0.04 m, respectively. The ISCS revealed clear spatial distribution from the Canadian Arctic Archipelago to open sea areas. In contrast, the PIOMAS snow depth revealed weak autumn variation, whereas the MW99 snow depth yielded distinct seasonal variability but a weak interannual change. Snow depth in October showed large differences among the various products, from which the AMSR topped the snow depth in the first-year ice region, while MW99 had the highest values for the multiyear ice zone.
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 | 0,001 |
| 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 ».