THE INCORPORATION OF AN OCEAN TEMPERATURE PROFILE INTO AN EXISTING ICEBERG DETERIORATION MODEL
Notice bibliographique
Résumé
Analytical modelling of iceberg drift forms an essential part of management strategies and scientific investigations. The rate of iceberg deterioration is an important component of iceberg drift models because it affects the life expectancy of the icebergs, and their size, which influences drift speed and direction. Coded models of iceberg deterioration typically use sea surface temperature to characterize the far field temperature of the full water column to which an iceberg becomes exposed. In this work the authors speculate whether the characterization of water temperatures may be improved by considering more closely the ocean temperature profile, both spatially and temporally, but in a manner still conducive to operational modeling. The work is comprised of two parts, the first is an analysis and modelling of monthly water column data available for a discrete location, the second, an example of how the profile “effect” may be used to modify input for an existing deterioration model. The location considered in this study is Fisheries and Oceans Canada (DFO) Station 27, 5 km offshore from St. John’s, Newfoundland. The deterioration model used for the analysis is the Canadian Ice Services (CIS) operational iceberg deterioration model (2007) coded in Matlab. The results (for Station 27) indicate that the modification of water temperature to account for the profile “effect” can result is significant differences in predicted iceberg deterioration rates. In particular the revised input temperature reduces the melting influence of extreme or anomalous sea surface temperature (SST) values for a given month. However, incorporating ocean temperature profile data into the CIS melt model requires considerably more analyses and computational effort. The scarcity of historic ocean temperature profile data in the vast oceanic range of interest is also a considerable stumbling block for routine implementation in operational modeling.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».