Estimation of sea ice parameters from sea ice model with assimilated ice concentration and SST
Notice bibliographique
Résumé
Abstract. A multi-category numerical sea ice model CICE was used along with data assimilation to derive sea ice parameters in the region of Baffin Bay and Labrador Sea. The assimilation of ice concentration was performed using the data derived from the Advanced Microwave Scanning Radiometer (AMSR-E and AMSR2). The model uses a mixed-layer slab ocean parameterization to compute the sea surface temperature (SST) and thereby to compute the freezing and melting potential of ice. The data from Advanced Very High Resolution Radiometer (AVHRR-only optimum interpolation analysis) were used to assimilate SST. The modelled ice parameters including concentration, ice thickness, freeboard and keel depth were compared with parameters estimated from remote-sensing data. The ice thickness estimated from the model was compared with the measurements derived from Soil Moisture Ocean Salinity – Microwave Imaging Radiometer using Aperture Synthesis (SMOS–MIRAS). The model freeboard estimates were compared with the freeboard measurements derived from CryoSat2. The ice concentration, thickness and freeboard estimates from the model assimilated with both ice concentration and SST were found to be within the uncertainty in the observation except during March. The model-estimated draft was compared with the measurements from an upward-looking sonar (ULS) deployed in the Labrador Sea (near Makkovik Bank). The difference between modelled draft and ULS measurements estimated from the model was found to be within 10 cm. The keel depth measurements from the ULS instruments were compared to the estimates from the model to retrieve a relationship between the ridge height and keel depth.
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) | 0,000 | 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 ».