Relationships between Arctic sea ice drift and strength modelled by NEMO-LIM3.6
Notice bibliographique
Résumé
Abstract. Sea ice cover and thickness have substantially decreased in the Arctic Ocean since the beginning of the satellite era. As a result, sea ice strength has been reduced, allowing more deformation and fracturing and leading to increased sea ice drift speed. We use the version 3.6 of the global ocean–sea ice NEMO-LIM model (Nucleus for European Modelling of the Ocean coupled to the Louvain-la-Neuve sea Ice Model), satellite, buoy and submarine observations, as well as reanalysis data over the period from 1979 to 2013 to study these relationships. Overall, the model agrees well with observations in terms of sea ice extent, concentration and thickness. The seasonal cycle of sea ice drift speed is reasonably well reproduced by the model. NEMO-LIM3.6 is able to capture the relationships between the seasonal cycles of sea ice drift speed, concentration and thickness, with higher drift speed for both lower concentration and lower thickness, in agreement with observations. Model experiments are carried out to test the sensitivity of Arctic sea ice drift speed, thickness and concentration to changes in sea ice strength parameter P*. These show that higher values of P* generally lead to lower sea ice deformation and lower sea ice thickness, and that no single value of P* is the best option for reproducing the observed drift speed and thickness. The methodology proposed in this analysis provides a benchmark for a further model intercomparison related to the relationships between sea ice drift speed and strength, which is especially relevant in the context of the upcoming Coupled Model Intercomparison Project 6 (CMIP6).
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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».