Sub-kilometer Scale Snow Depth Distribution on Sea Ice of Different Ages and Thickness
Notice bibliographique
Résumé
Abstract. Accurately representing the snow depth (SND) distribution on sea ice is essential for sea ice thickness (SIT) retrievals, ecological studies, and climate modeling. Using co-located SND and SIT measurements from multiple Arctic and Antarctic campaigns, this study examines sub-kilometer-scale SND variability, considering both ice type and SIT, and identifies the most suitable statistical distributions to represent SND across different ice ages and thicknesses. First, we examine the statistical properties of SND and their dependence on SIT, finding a linear increase of SND with SIT for new and first-year ice, reflecting concurrent seasonal growth. The ratio between the standard deviation and the mean SND is referred to as the coefficient of variation (CV). A consistent CV ≈ 0.50 is observed to be independent of SIT, allowing variability to be estimated directly from the mean SND. Notably, flooded snow exhibits a lower CV. Furthermore, we investigate four probability density functions (Normal, Log-normal, Gamma, and Skew) and find that the best-fit distribution depends on ice ages, SIT, deformation, and meteorological events such as snow fall and drift. Finally, SND correlation lengths derived from semi-variograms show a positive relation with SIT and are enhanced by snow drift events. The results reveal substantial differences in SND distributions across ice types and SIT during winter and summer, underscoring the importance of ice-condition-dependent parameterizations for representing sub-kilometer SND variability. These findings support improved parameterizations of SND variability at sub-grid scale in remote sensing and climate models.
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) | 0,000 | 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 | 0,000 |
| 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 ».