Spatialisation des propriétés du couvert nival arctique à l’aide d’un radar à onde modulée en fréquence (FMCW) 24 GHz
Bibliographic record
Abstract
Le réchauffement accéléré de l’Arctique mène à des rétroactions climatiques positives qui densifient le couvert nival. La densité de la neige en Arctique est critique pour les ongulés: elle conditionne les conditions de forage. Une neige trop dense peut causer des carences alimentaires importantes et même des famines. La densification de la neige par les vents forts et les évènements de pluie-sur-neige est mal comprise, surtout en ce qui concerne sa variabilité spatio-temporelle et les processus l’influençant. Un radar à onde modulée en fréquence (FMCW) pourrait permettre d’étudier la variabilité spatiale de la densité et de la stratigraphie du couvert nival dans l’arctique canadien pour répondre à cette problématique. Il permettrait d’évaluer rapidement les propriétés du couvert nival sur des sites entiers, plutôt que sur un point spécifique contrairement au puit de neige, sans détruire le couvert nival, afin de quantifier l’impact de ces événements. L'objectif principal de ce projet de recherche est donc de développer une méthode permettant de cartographier la variabilité spatiale des propriétés d’un couvert nival arctique, telles que la stratigraphie, la densité de surface et l’épaisseur totale de neige, à l’aide d’un radar FMCW en bande K. Les travaux se sont déroulés à Ikaluktutiak (NU) dans la zone de surveillance intensive (Intensive Monitoring Area). L’utilisation d’un radar FMCW 24 GHz sur un montage portatif a permis d’élaborer l’algorithme pour dériver les propriétés de la stratigraphie du couvert nival du retour de signal du radar. Cet algorithme a ensuite pu être appliqué sur les données d’un radar FMCW 24 GHz qui a été monté à bord d’un traineau et d’un aéronef afin d’obtenir des données spatialisées sur quatre zones définies. Le radar FMCW a permis d’extraire avec précision l’épaisseur de la surface du couvert nival. Les valeurs de densité extraites étaient sous-estimées d’environ 11% et n’ont pas pu être estimées dans les zones d’accumulation de neige. Pour l’épaisseur totale de neige, il a été conclu que le modèle numérique de surface utilisé n’était pas représentatif de l’état du sol en hiver, ne permettant donc pas d’obtenir une carte représentative de l’épaisseur de neige au sol. Finalement, le radar FMCW démontre un bon potentiel pour cartographier les propriétés de la neige arctique, bien que plus de travail soit requis pour en améliorer les performances.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".