Dynamic Preconditioning of the Minimum September Sea-Ice Extent
Notice bibliographique
Résumé
Abstract There has been an increased interest in seasonal forecasting of the Arctic sea ice extent in recent years, in particular the minimum sea ice extent. Here, a dynamical mechanism, based on winter preconditioning, is found to explain a significant fraction of the variance in the anomaly of the September sea ice extent from the long-term linear trend. To this end, a Lagrangian trajectory model is used to backtrack the September sea ice edge to any time during the previous winter and quantify the amount of sea ice advection away from the Eurasian and Alaskan coastlines as well as the Fram Strait sea ice export. The late-winter anomalous sea ice drift away from the coastline is highly correlated with the following September sea ice extent minimum . It is found that the winter mean Fram Strait sea ice export anomaly is also correlated with the minimum sea ice extent the following summer . To develop a hindcast model of the September sea ice extent—which does not depend on a priori knowledge of the minimum sea ice extent—a synthetic ice edge initialized at the beginning of the melt season (1 June) is backtracked. It is found that using a multivariate regression model of the September sea ice extent anomaly based on ice export from the peripheral Arctic seas and Fram Strait ice export as predictors reduces the error by 38%. A hindcast model based on the mean December–April Arctic Oscillation index alone reduces the error by 24%.
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) | 0,002 | 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 ».