Response of ice cover on shallow lakes of the North Slope of Alaska to contemporary climate conditions (1950–2011): radar remote-sensing and numerical modeling data analysis
Notice bibliographique
Résumé
Abstract. Air temperature and winter precipitation changes over the last five decades have impacted the timing, duration, and thickness of the ice cover on Arctic lakes as shown by recent studies. In the case of shallow tundra lakes, many of which are less than 3 m deep, warmer climate conditions could result in thinner ice covers and consequently, in a smaller fraction of lakes freezing to their bed in winter. However, these changes have not yet been comprehensively documented. The analysis of a 20 yr time series of European remote sensing satellite ERS-1/2 synthetic aperture radar (SAR) data and a numerical lake ice model were employed to determine the response of ice cover (thickness, freezing to the bed, and phenology) on shallow lakes of the North Slope of Alaska (NSA) to climate conditions over the last six decades. Given the large area covered by these lakes, changes in the regional climate and weather are related to regime shifts in the ice cover of the lakes. Analysis of available SAR data from 1991 to 2011, from a sub-region of the NSA near Barrow, shows a reduction in the fraction of lakes that freeze to the bed in late winter. This finding is in good agreement with the decrease in ice thickness simulated with the Canadian Lake Ice Model (CLIMo), a lower fraction of lakes frozen to the bed corresponding to a thinner ice cover. Observed changes of the ice cover show a trend toward increasing floating ice fractions from 1991 to 2011, with the greatest change occurring in April, when the grounded ice fraction declined by 22% (α = 0.01). Model results indicate a trend toward thinner ice covers by 18–22 cm (no-snow and 53% snow depth scenarios, α = 0.01) during the 1991–2011 period and by 21–38 cm (α = 0.001) from 1950 to 2011. The longer trend analysis (1950–2011) also shows a decrease in the ice cover duration by ~24 days consequent to later freeze-up dates by 5.9 days (α = 0.1) and earlier break-up dates by 17.7–18.6 days (α = 0.001).
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».