Estimating the contribution of Arctic glaciers to sea-level change in the next 100 years
Notice bibliographique
Résumé
Abstract In this paper, we report on an approach to estimate the contribution of Arctic glaciers to sea-level change. In our calculation we assume that a static approach is feasible. We only calculate changes in the surface balance from modelled sensitivities. These sensitivities, summarized in the seasonal sensitivity characteristic, can be used to calculate the change in the surface mass budget for given anomalies of monthly temperature and precipitation. We have based our calculations on a subdivision of all Arctic ice into 13 regions: four sectors of the Greenland ice sheet; the Canadian Arctic >74˚N; the Canadian Arctic <74˚N; Alaska, USA; Iceland; Svalbard; Zemlya Frantsa Iosifa, Russia; Novaya Zemlya, Russia; Severnaya Zemlya, Russia; and Norway/Sweden >60˚N. As forcing for the calculations, we have used the output from five climate models, for the period 2000–2100. These models were forced by the same greenhouse-gas scenario (IPCC-B2). The calculated contributions to sea-level rise in the year 2100 vary from almost zero to about 6 cm. The differences among the models stem first of all from differences in the precipitation. The largest contribution to sea-level change comes from the Greenland ice sheet. The glaciers in Alaska also make a large contribution, not because of the area they cover, but because they are more sensitive than other glaciers in the Arctic. The climate models do not agree on regional patterns. The runoff from Svalbard glaciers, for instance, increases for two models and decreases for the three other models. We conclude that the uncertainty due to a simple representation of the glaciological processes is probably smaller than the uncertainty induced by the differences in the climate-change scenarios produced by the models.
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 | 0,001 | 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 ».