Blowing Snow on Arctic Sea Ice: Results from an Improved Sea Ice–Snow–Blowing Snow Coupled System
Notice bibliographique
Résumé
Abstract A one-dimensional (1D) version of a blowing snow model, called PIEKTUK-D, has been incorporated into a snow–sea ice coupled system. Blowing snow results in sublimation of approximately 12 mm of snow water equivalent (SWE), which is equal to approximately 6% of the annual precipitation over 324 days from 1997 to 1998. This effect leads to an average decrease of 9 cm in snow depth for an 11-month simulation of the Surface Heat Budget of the Arctic Ocean (SHEBA) dataset (from 31 October 1997 to 1 October 1998). Inclusion of blowing snow has a significant impact on snow evolution between February and June, during which it is responsible for a decrease in snow depth error by about 30%. Between November and January, however, other factors such as regional surface topography or horizontal wind transport may have had a greater influence on the evolution of the snowpack and sea ice. During these few months the new system does not perform as well, with a snow depth percentage error of 39%—much larger than the 12% error found between February and June. The results also indicate a slight increase of 4 cm on average for ice thickness, and a decrease of 0.4 K for the temperature at the snow–ice interface. One of the main effects of blowing snow is to shorten the duration of snow cover above sea ice by approximately 4 days and to lead to earlier ice melt by approximately 6 days. Blowing snow also has a very small impact on internal characteristics of the snowpack, such as grain size and density, leading to a weaker snowpack.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».