Quantifying the influence of snow over sea ice morphology on L-band passive microwave satellite observations in the Southern Ocean
Notice bibliographique
Résumé
Antarctic snow on sea ice can contain slush, snow ice, and stratified layers, complicating satellite retrieval processes for snow depth, ice thickness, and sea ice concentration. The presence of moist and brine-wetted snow alters microwave snow emissions and modifies the energy and mass balance of sea ice. This study assesses the impact of brine-wetted snow and slush layers on L-band surface brightness temperatures (TBs) by synergizing a snow stratigraphy model (SNOWPACK) driven by atmospheric reanalysis data and the RAdiative transfer model Developed for Ice and Snow in the L-band (RADIS-L) v1.0 The updated RADIS-L v1.1 further introduces parameterizations for brine-wetted snow and slush layers over Antarctic sea ice. Our findings highlight the importance of including both brine-wetted snow and slush layers in order to accurately simulate L-band brightness temperatures, laying the groundwork for improved satellite retrievals of snow depth and ice thickness using satellite sensors such as Soil Moisture and Ocean Salinity (SMOS) and Soil Moisture Active Passive (SMAP). However, biases in modelled and observed L-band brightness temperatures persist, which we attribute to small-scale sea ice heterogeneity and snow stratigraphy. Given the scarcity of comprehensive in situ snow and ice data in the Southern Ocean, ramping up observational initiatives is imperative to not only provide satellite validation datasets but also improve process-level understanding that can scale up to improving the precision of satellite snow and ice thickness retrievals.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 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 ».