Using sea‐ice deformation fields to constrain the mechanical strength parameters of geophysical sea ice
Notice bibliographique
Résumé
Abstract We investigate the ability of viscous‐plastic (VP) sea‐ice models with an elliptical yield curve and normal flow rule to reproduce the shear and divergence distributions derived from the RADARSAT Geophysical Processor System (RGPS). In particular, we reformulate the VP elliptical rheology to allow independent changes in the ice compressive, shear and isotropic tensile strength parameters ( , respectively) in order to study the sensitivity of the deformation distributions to changes in the ice mechanical strength parameters. Our 10 km VP simulation with standard ice mechanical strength parameters = 27.5 kN m −2 , = 6.9 kN m −2 , and = 0 kN m −2 (ellipse aspect ratio of e = 2) does not reproduce the large shear and divergence deformations observed in the RGPS deformation fields, and specifically lacks well‐defined, active linear kinematic features (LKFs). Probability density functions (PDFs) for the shear and divergence of are nonetheless not Gaussian. Reducing the ice compressive strength (with constant S ∗ and T ∗ ) or increasing the ice shear strength (with constant P ∗ and T ∗ ) both results in shear and divergence PDFs in better agreement with RGPS distributions. The isotropic tensile strength of sea ice does not significantly affect the shear and divergence distributions. When considering additional metrics such as the ice drift error, mean ice thickness fields, and spatial scaling of the total deformations, our results suggest that reducing the ice compressive strength P ∗ (while keeping S ∗ constant, i.e. reducing the ellipse aspect ratio) is a better solution than increasing the shear strength to improve simulations of the Arctic sea‐ice cover with the VP elliptical rheology.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».