Initial assessment of all-season Arctic sea ice thickness from ICESat-2
Notice bibliographique
Résumé
We present an initial assessment of all-season Arctic sea ice thickness estimates from ICESat-2 by combining freeboard retrievals with all-season SnowModel-LG snow loading. ICESat-2 captures the key regional and seasonal patterns of Arctic sea ice variability and shows good agreement with CryoSat-2 all-season estimates, including regional patterns of inter-annual variability in summer ice thickness. ICESat-2 shows consistently thicker ice compared to CryoSat-2 across the western coastal Arctic, while CryoSat-2 shows some periods of thicker ice across the Central Arctic, largely consistent with winter thickness biases. Validation against upward-looking sonar moorings, IceBird-2019 airborne observations and MOSAiC buoy data highlights generally strong performance across a range of conditions, although seasonal biases linked to snow loading, freeboard differences and ice density assumptions persist. The SnowModel-LG and NESOSIM snow accumulation models perform well across the validation datasets, but do not consistently add skill beyond the modified Warren climatology. Experimental ICESat-2/CryoSat-2 dual altimetry winter snow depths show strong performance relative to existing products and future work should extend these into summer for further assessments. Overall, our analysis supports the viability of an all-season ICESat-2-derived thickness record.
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 | 0,001 | 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) | 0,001 | 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 ».