Effects of subgrid‐scale snow thickness variability on radiative transfer in sea ice
Notice bibliographique
Résumé
Abstract Snow is a principal factor in controlling heat and light fluxes through sea ice. With the goal of improving radiative and heat flux estimates through sea ice in regional and global models without the need of detailed snow property descriptions, a new parameterization including subgrid‐scale snow thickness variability is presented. One‐parameter snow thickness distributions depending only on the gridbox‐mean snow thickness are introduced resulting in analytical solutions for the fluxes of heat and light through the snow layer. As the snowpack melts, these snow thickness distributions ensure a smooth seasonal transition of the light field under sea ice. Spatially homogenous melting applied to an inhomogeneous distribution of snow thicknesses allows the appearance of bare sea ice areas and melt ponds before all snow has melted. In comparison to uniform‐thickness snow used in previous models, the bias in the under sea‐ice light field is halved with this parameterization. Model results from a one‐dimensional ocean turbulence model coupled with a thermodynamic sea ice model are compared to observations near Resolute in the Canadian High Arctic. The simulations show substantial improvements not only to the light field at the sea ice base which will affect ice algal growth but also to the sea ice and seasonal snowpack evolution. During melting periods, the snowpack can survive longer while sea ice thickness starts to reduce earlier.
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 | 0,004 | 0,002 |
| 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 ».