Arctic sea ice and freshwater sensitivity to the treatment of the atmosphere‐ice‐ocean surface layer
Notice bibliographique
Résumé
Abstract Global simulations are presented focusing on the atmosphere‐ice‐ocean (AIO) surface layer (SL) in the Arctic. Results are produced using an ocean model (NEMO) coupled to two different sea ice models: the Louvain‐La‐Neuve single‐category model (LIM2) and the Los Alamos multicategory model (CICE4). A more objective way to adjust the sea ice‐ocean drag is proposed compared to a coefficient tuning approach. The air‐ice drag is also adjusted to be more consistent with the atmospheric forcing data set. Improving the AIO SL treatment leads to more realistic results, having a significant impact on the sea ice volume trend, sea ice thickness, and the Arctic freshwater (FW) budget. The physical mechanisms explaining this sensitivity are studied. Improved sea ice drift speeds result in less sea ice accumulation in the Beaufort Sea, correcting a typical ice thickness bias. Sea ice thickness and drag parameters affect how atmospheric stress is transferred to the ocean, thereby influencing Ekman transport and FW retention in the Beaufort Gyre (BG). Increasing sea ice‐ocean roughness reduces sea ice growth in winter by reducing ice deformation and lead fractions in the BG. It also increases the total Arctic FW content by reducing sea ice export through Fram Strait. Similarly, increasing air‐ice roughness increases the total Arctic FW content by increasing FW retention in the BG.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 ».