Impacts of Sea Ice Thickness Initialization on Seasonal Arctic Sea Ice Predictions
Notice bibliographique
Résumé
Abstract A promising means for increasing skill of seasonal predictions of Arctic sea ice is improving sea ice thickness (SIT) initial conditions; however, sparse SIT observations limit this potential. Using the Canadian Climate Model, version 3 (CanCM3), three statistical models designed to estimate SIT fields for initialization in a real-time forecasting system are applied to initialize sea ice hindcasts over 1981–2012. Hindcast skill is assessed relative to two benchmark SIT initialization methods (SIT-IMs): a climatological initialization currently used operationally and SIT values from the Pan-Arctic Ice Ocean Modeling and Assimilation System (PIOMAS). Based on several measures of skill, sea ice predictions are generally improved relative to a climatological initialization. The accuracy with which the initialization fields represent both the thinning of the ice pack over time and interannual variability impacts predictive skill for pan-Arctic sea ice area (SIA) and regional sea ice concentration (SIC), with the most robust improvements obtained with SIT-IMs that best represent both processes. Similar skill to that achieved by initializing with PIOMAS, including skillful predictions of detrended September SIA from May, is obtained by initializing with two of the statistical models. Regional skill for September SIC is also enhanced using improved SIT-IMs, with an increase in the spatial coverage of statistically significant skill from 10% to 60%–70% of the appreciably varying ice pack. Reduced skill is seen, however, in the Nordic seas using the improved SIT-IMs, resulting from an inherent cold sea surface temperature bias in CanCM3 that is amplified by a thicker initial ice cover.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».