Snow depth estimation on leadless landfast ice using Cryo2Ice satellite observations
Notice bibliographique
Résumé
Observations of snow on Arctic Sea ice are vitally important for sea ice thickness estimation, bio-physical processes, and human activities. While previous studies have combined CryoSat-2- and ICESat-2-derived freeboards to estimate snow depth over Arctic sea ice, these approaches require leads within the ice pack to estimate the freeboard heights above the sea surface. In regions such as the Canadian Arctic Archipelago (CAA), leads are scarce in winter, posing a significant challenge to estimate snow depth from altimeters. This study is the first assessment of the potential for near-coincident ICESat-2 and Cryosat-2 (Cryo2Ice) snow depth retrievals in a leadless region of the CAA including validation with in situ data. In lieu of sea surface height estimates from leads, snow depths are retrieved using the absolute difference in surface heights (ellipsoidal heights) from ICESat-2 and Cryosat-2 after applying an ocean tide correction based on tidal gauges between satellite passes on 29 April 2022. Both the absolute mean snow depths and distributions retrieved from Cryo2Ice were slightly underestimated (2 to 4 cm) when compared to in situ measurements. All four in situ sites had snow with saline basal layers and different levels of roughness and ridging, which significantly impact the accuracy of the Cryo2Ice snow depth retrievals. Differences between Cryo2Ice and in situ snow depth distributions reflect the varying sampling resolutions of the sensors and the in situ measurements. Cryo2Ice tends to miss snow depths greater than 30 cm, especially around ridges. The results suggest that it might be possible to estimate snow depth over landfast sea ice without leads. However, the observed biases of 2–4 cm likely stem from several factors: (1) discrepancies in sampling resolution between ICESat-2 and CryoSat-2; (2) the CryoSat-2 scattering horizon not aligning with the snow–ice interface due to snow salinity, density, and surface roughness; (3) the choice of retracker; and (4) potential errors in the altimeter's tidal corrections. Further investigation is needed to address these issues. Moreover, the proposed methodology for getting snow depth over leadless landfast sea ice needs to be validated using in situ datasets in other landfast sea ice regions in the Arctic.
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 | 0,001 | 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 ».