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 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».