Broadening the sea-ice forecaster toolbox with community observations: A case study from the northern Bering Sea
Notice bibliographique
Résumé
Impacts of a warming climate are amplified in the Arctic. One notorious impact is recent and record-breaking summertime sea-ice loss. Expanding areas of open water and a prolonged ice-free season create opportunity for some industries but challenge indigenous peoples relying on sea ice for transportation and access to food. The observed and projected increase of Arctic maritime activity requires accurate sea-ice forecasts to protect life, environment, and property. Motivated by emerging prediction needs on the operational timescale (≤10 days), this study explores where local indigenous knowledge (LIK) fits into the forecaster toolbox and how it can be woven into useful sea-ice information products. The 2011 spring ice retreat season in the Bering Sea is presented as a forecasting case study. LIK, housed in a database of community-based ice and weather logs, and an ice-ocean forecast model developed by the US Navy are analyzed for their ability to provide information relevant to stakeholder needs. Additionally, metrics for verifying numerical sea-ice forecasts on multiple scales are derived. The model exhibits skill relative to persistence and climatology on the regional scale. At the community scale, we discuss how LIK and new model guidance can enhance public sea-ice information resources.
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 | 0,010 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».