On the influence of model physics on simulations of Arctic and Antarctic sea ice
Notice bibliographique
Résumé
Abstract. Two hindcast (1983–2007) simulations are performed with the global, ocean-sea ice models NEMO-LIM2 and NEMO-LIM3 driven by atmospheric reanalyses and climatologies. The two simulations differ only in their sea ice component, while all other elements of experimental design (resolution, initial conditions, atmospheric forcing) are kept identical. The main differences in the sea ice models lie in the formulation of the subgrid-scale ice thickness distribution, of the thermodynamic processes, of the sea ice salinity and of the sea ice rheology. To assess the differences in model skill over the period of investigation, we develop a set of metrics for both hemispheres, comparing the main sea ice variables (concentration, thickness and drift) to available observations and focusing on both mean state and seasonal to interannual variability. Based upon these metrics, we discuss the physical processes potentially responsible for the differences in model skill. In particular, we suggest that (i) a detailed representation of the ice thickness distribution increases the seasonal to interannual variability of ice extent, with spectacular improvement for the simulation of the recent observed summer Arctic sea ice retreats, (ii) the elastic-viscous-plastic rheology enhances the response of ice to wind stress, compared to the classical viscous-plastic approach, (iii) the grid formulation and the air-sea ice drag coefficient affect the simulated ice export through Fram Strait and the ice accumulation along the Canadian Archipelago, and (iv) both models show less skill in the Southern Ocean, probably due to the low quality of the reanalyses in this region and to the absence of important small-scale oceanic processes at the models' resolution (~1°).
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) | 0,000 | 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 ».