Sensitivity of simulated Arctic sea ice to realistic ice thickness distributions and snow parameterizations
Notice bibliographique
Résumé
Sea ice and snow on sea ice to a large extent determine the surface heat budget in the Arctic Ocean. In spite of the advances in modeling sea‐ice thermodynamics, a good number of models still rely on simple parameterizations of the thermodynamics of ice and snow. Based on simulations with an Arctic sea‐ice model coupled to an ocean general circulation model, we analyzed the impact of changing two sea‐ice parameterizations: (1) the prescribed ice thickness distribution (ITD) for surface heat budget calculations, and (2) the description of the snow layer. For the former, we prescribed a realistic ITD derived from airborne electromagnetic induction sounding measurements. For the latter, two different types of parameterizations were tested: (1) snow thickness independent of the sea‐ice thickness below, and (2) a distribution proportional to the prescribed ITD. Our results show that changing the ITD from seven uniform categories to fifteen nonuniform categories derived from field measurements, and distributing the snow layer according to the ITD, leads to an increase in average Arctic‐wide ice thickness by 0.56 m and an increase by 1 m in the Canadian Arctic Archipelago and Canadian Basin. This increase is found to be a direct consequence of 524 km 3 extra thermodynamic growth during the months of ice formation (January, February, and March). Our results emphasize that these parameterizations are a key factor in sea‐ice modeling to improve the representation of the sea‐ice energy balance.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».