Snow effects on altimeter waveforms over sea ice in the Weddell Sea — Part I: Radar waveform decomposition
Notice bibliographique
Résumé
Snow on sea ice strongly modulates growth, albedo, and air–sea exchange, but it also drives major uncertainties in altimeter-based thickness retrievals. This is critical for Ku-band radar altimeters (e.g., CryoSat-2, CS-2), whose waveforms integrate backscatter from snow-covered sea ice. Contrary to the common assumption that returns originate near the snow–ice interface, complex snow properties (roughness, layering, wetness, ice lenses) can shift effective scattering upward into the snowpack. We analyze Ku-band CS-2 satellite and Ka-band KAREN airborne waveforms over the Weddell Sea to partition contributions from the snow surface, snow volume, and ice surface. Using a physics-based Forward Backscatter Emulation Model (FBEM) and a CNN trained on simulated waveforms, we retrieve geophysical parameters and assess sensitivity to snow conditions. Under typical Antarctic conditions, snow-volume scattering contributes as much as, or more than, the snow–ice interface to CS-2 returns, while Ka-band is dominated by surface/near-surface snow scattering with minimal penetration to the ice surface. Wet snow further amplifies upper-layer backscatter. Sensitivity tests identify volume scattering and ice-surface roughness as primary controls on waveform shape. These results argue for explicit snow-volume terms in waveform models and support dual-frequency strategies relevant to ESA’s upcoming CRISTAL mission. Part I (this study) treats waveform decomposition; Part II evaluates retracking for improved thickness retrievals. • In summer Ku-band, snow volume exceeds interface returns, biasing freeboard. • Physically based FBEM+CNN separates surface, volume, and interface scattering. • Enables snow-aware retrackers for CRISTAL and scale-consistent altimetry processing.
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 | 0,000 |
| 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 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 ».