Notice bibliographique
Résumé
Sea ice is an important indicator of climate change. The ability to measure sea ice thickness is essential for monitoring trends in the volume of Arctic and Antarctic sea ice. Several methods of determining sea ice thickness are presented and it is concluded that the most appropriate for studying sea ice thickness trends on long time- and length-scales is satellite radar altimetry. One key uncertainty associated with determining sea ice thickness using satellite radar altimetry is the penetration of the radar into the snow cover. We discuss the dielectric theory related to penetration into snow. The bandwidth of satellite radar altimeters is not sufficient to resolve the air/snow and snow/ice interfaces, or layers within the snow pack. For these reasons we investigate the radar penetration into snow on sea ice using sled- and air-borne radars with wide bandwidths so that the interfaces are resolved. Coincident field measurements of the physical snow characteristics were also gathered. Data from three studies are presented. The first study is an analysis of data from the UCL Ground Penetrating Radar (GPR) deployed from an icebreaker ship off the coast of Antarctica. The radar dominant scattering surface was the snow/ice interface for 30% of the snow pits. The second is an analysis of data from the Airborne Synthetic aperture and Interferometric Altimeter System (ASIRAS) off the coast of Arctic Canada. In 2006 the radar dominant scattering surface was closer to the snow/ice than air/snow interface for 25% of the echoes; in 2008, this was 60%. The third is an analysis of coincident GPR and ASIRAS data over Arctic sea ice. We found average radar penetration (P) of 0.29 for GPR and ASIRAS data at the South site. Retrieved sea ice thickness would increase by a factor of two with P=0.29 compared with P=1.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».