Arctic‐Wide Sea Ice Thickness Estimates From Combining Satellite Remote Sensing Data and a Dynamic Ice‐Ocean Model with Data Assimilation During the CryoSat‐2 Period
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Exploiting the complementary character of CryoSat‐2 and Soil Moisture and Ocean Salinity satellite sea ice thickness products, daily Arctic sea ice thickness estimates from October 2010 to December 2016 are generated by an Arctic regional ice‐ocean model with satellite thickness assimilated. The assimilation is performed by a Local Error Subspace Transform Kalman filter coded in the Parallel Data Assimilation Framework. The new estimates can be generally thought of as combined model and satellite thickness (CMST). It combines the skill of satellite thickness assimilation in the freezing season with the model skill in the melting season, when neither CryoSat‐2 nor Soil Moisture and Ocean Salinity sea ice thickness is available. Comparisons with in situ observations from the Beaufort Gyre Exploration Project, Ice Mass Balance Buoys, and the NASA Operation IceBridge demonstrate that CMST reproduces most of the observed temporal and spatial variations. Results also show that CMST compares favorably to the Pan‐Arctic Ice‐Ocean Modeling and Assimilation System product and even appears to correct known thickness biases in the Pan‐Arctic Ice‐Ocean Modeling and Assimilation System. Due to imperfect parameterizations in the sea ice model and satellite thickness retrievals, CMST does not reproduce the heavily deformed and ridged sea ice along the northern coast of the Canadian Arctic Archipelago and Greenland. With the new Arctic sea ice thickness estimates sea ice volume changes in recent years can be further assessed.
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.
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 découle