Combining in situ observations and remote sensing data to determine the spatial extent of rain-on-snow events on the Brøgger peninsula
Notice bibliographique
Résumé
Climate change is particularly impacting the Arctic, where the temperature increase is stronger than the global mean due to Arctic Amplification. Long-term observations at sites such as Ny-Alesund on the Brøgger’s peninsula in Svalbard allow understanding meteorological changes taking place in the Arctic. In the last decades, Ny Alesund was affected by a large increase of winter temperatures leading to occasional periods of positive temperatures lasting few days. As a result, the number of rainfall events also increased, contributing to an early degradation of the snowpack on the Brogger peninsula. Meteorological measurements such as at Ny Alesund allow to quantify the temporal variability of these “rain on snow” (ROS) events at specific points. The goal of this study is (i) to spatialize recent ROS events on the Brøgger peninsula during the period 2019-2022 using remote sensing radar data and (ii) to characterize the atmospheric origin of these events using anomalies of 500 hPa height or the identification of cyclonic systems. We use SAR satellite images from each event, mainly TSX and RCM images provided by German and Canadian Space Agencies. We processed the images with a thresholding method in order to find the spatial elevation limits between wet and dry snow after the events. PlanetScope optical images are used for snow extent validation. During the ROS episodes, the snow remains generally dry upstream of the glaciers, while at lower altitudes the snow on the peninsula is systematically wet. These ROS episodes are associated to cyclonic systems originated from the Northern Atlantic Ocean, and to a strong Z500 gradient from high pressure centered in Norway and low pressure centered in Greenland. These results are important to better characterize the origins and the spatial variability of ROS events and to evaluate the impact of these specific events on glaciers, permafrost, or ecology.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».