Mapping the thickness of slush on sea ice with multi-frequency EM induction sounding
Notice bibliographique
Résumé
Slush from flooding of sea ice contributes significantly to the sea ice mass balance in the Arctic and Antarctic and poses significant hazards for Arctic communities, affecting the safe use of sea ice for travel, hunting, and other activities. This study demonstrates the effectiveness of multi-frequency electromagnetic (EM) induction sounding for the joint retrieval of slush and ice thicknesses. For the multi-frequency GEM-2 instrument, we identified optimal frequency combinations, for example 5, 10, 20, 30, and 93 kHz, through inversion of synthetic data with realistic noise to achieve minimal mean absolute errors (MAE) of less than 5 cm for slush as thick as 60 cm. Field EM surveys, validated with coincident drill hole data, demonstrated reliable performance of the method under practical field conditions for slush layers up to 20 cm thick. Instrument calibration was robust but faced challenges at sites where snow and ice conditions deviated from the ideal one-layer model for snow and ice. The inclusion of varying sea ice conductivities in the calibration process enhanced reliability, and we show that a single instrument calibration remains stable for over a week for this instrument of the newest GEM-2 generation. The method’s transferability to airborne applications, such as drone-mounted surveys, offers the potential to eliminate operator risks associated with ground-based measurements on thin ice with thick slush. Overall, multi-frequency EM induction sounding provides a time-efficient and accurate tool for mapping the separate thicknesses of slush and of snow-plus-ice thicknesses.
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 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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 ».