Detecting Melt Pond Onset on Landfast Arctic Sea Ice Using a Dual C-Band Satellite Approach
Notice bibliographique
Résumé
The presence of melt ponds on the surface of Arctic sea ice affects its albedo, thermal properties, and overall melting rate, and thus, the detection of melt pond onset is of significant importance for understanding the Arctic's changing climate. This study investigates the utility of a novel method for detecting the onset of melt ponds on sea ice using a satellite-based, dual-sensor C-band approach, whereby Sentinel-1 provides horizontally polarized (HH) data and Advanced SCATterometer (ASCAT) provides vertically polarized (VV) data. The co-polarized ratio (VV/HH) is used to detect the presence of melt ponds on landfast sea ice in the Canadian Arctic Archipelago in 2017 and 2018. ERA-5 air temperature, and wind speed reanalysis datasets are used to establish the VV/HH threshold for pond onset detection which have been further validated by Landsat-8 reflectance. Co-polarized ratio threshold of 3 standard deviations from late winter season (April) acquisitions is used for assessing pond onset detection associated with the air temperature and wind speed data along with visual observation from Sentinel-1 and cloud-free Sentinel-2 imagery. In 2017, the pond onset detection rate percentages were 70.59% for FYI and 92.3% for MYI. Results suggest that this method, because of its dual-platform application, has potential for providing large-area coverage estimation of sea ice melt pond onset timing using different earth observation satellites.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».