Parametrization schemes of incident radiation in the North Water polynya
Notice bibliographique
Résumé
Abstract Surface incident radiation is a critical component of the Arctic surface energy balance making it important for sea‐ice model parametrizations to properly account for these fluxes. In this article, we test the performance of various incident short‐wave (K?) and long‐wave (L?) flux parametrizations using unique observations from the 1998 International North Water (NOW) Polynya Project between March and July. The dataset includes hourly observations over terrestrial, fast‐ice and full marine polynya environments allowing for parametrization comparisons between each environment and determination of any seasonal biases. Performance testing is highly dependent on observed input parameters that contain relative errors, however, significant differences between the marine and fast‐ice fluxes are evident. Results are very similar between the terrestrial and fast‐ice sites. The best K? clear‐sky schemes underestimate fluxes in the colder season and overestimate them in the warm season, with greater biases in the marine setting. The K? cloudy‐sky results suggest a similar cold and warm season bias but with greater magnitudes, especially in the marine environment. The K? cloudy‐sky schemes require seasonal improvements, especially in the marine atmosphere. The L? clear‐sky fluxes were generally overestimated during the colder season. Accounting for a less emissive atmosphere resulted in better flux approximations in all environments. L? cloudy‐sky fluxes were generally underestimated. Adjusting the cloudy‐sky emissivity improved the estimated fluxes, however, results were very different in the marine setting. The L? cloudy‐sky parametrizations may require re‐evaluation due to a consistent negative bias as the observed flux increases.
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 | 0,000 |
| 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 ».