Simulation of Snow on Arctic Sea Ice Using a Coupled Snow–Ice Model
Notice bibliographique
Résumé
Abstract The new Recherche Prévision Numérique (NEW-RPN) model, a coupled system including a multilayer snow thermal model (SNTHERM) and the sea ice model currently used in the Meteorological Service of Canada (MSC) operational forecasting system, was evaluated in a one-dimensional mode using meteorological observations from the Surface Heat Budget of the Arctic Ocean (SHEBA)’s Pittsburgh site in the Arctic Ocean collected during 1997/98. Two parameters simulated by NEW-RPN (i.e., snow depth and ice thickness) are compared with SHEBA’s observations and with simulations from RPN, MSC’s current coupled system (the same sea ice model and a single-layer snow model). Results show that NEW-RPN exhibits better agreement for the timing of snow depletion and for ice thickness. The profiles of snow thermal conductivity in NEW-RPN show considerable variability across the snow layers, but the mean value (0.39 W m−1 K−1) is within the range of reported observations for SHEBA. This value is larger than 0.31 W m−1 K−1, which is commonly used in single-layer snow models. Of particular interest in NEW-RPN’s simulation is the strong temperature stratification of the snowpack, which indicates that a multilayer snow model is needed in the SHEBA scenario. A sensitivity analysis indicates that snow compaction is also a crucial process for a realistic representation of the snowpack within the snow/sea ice system. NEW-RPN’s overestimation of snow depth may be related to other processes not included in the study, such as small-scale horizontal variability of snow depth and blowing snow processes.
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) | 0,000 | 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 ».