Winter Coastal Divergence as a Predictor for the Minimum Sea Ice Extent in the Laptev Sea
Notice bibliographique
Résumé
Seasonal predictability of the minimum sea ice extent (SIE) in the Laptev Sea is investigated using winter coastal divergence as a predictor. From February to May, the new ice forming in wind-driven coastal polynyas grows to a thickness approximately equal to the climatological thickness loss due to summer thermodynamic processes. Estimating the area of sea ice that is preconditioned to melt enables seasonal predictability of the minimum SIE. Wintertime ice motion is quantified by seeding passive tracers along the coastlines and advecting them with the Lagrangian Ice Tracking System (LITS) forced with sea ice drifts from the Polar Pathfinder dataset for years 1992–2016. LITS-derived landfast ice estimates are comparable to those of the Russian Arctic and Antarctic Research Institute ice charts. Time series of the minimum SIE and coastal divergence show trends of −24.2% and +31.3% per decade, respectively. Statistically significant correlation ( r = −0.63) between anomalies of coastal divergence and the following September SIE occurs for coastal divergence integrated from February to the beginning of May. Using the coastal divergence anomaly to predict the minimum SIE departure from the trend improves the explained variance by 21% compared to hindcasts based on persistence of the linear trend. Coastal divergence anomalies correlate with the winter mean Arctic Oscillation index ( r = 0.69). LITS-derived areas of coastal divergence tend to underestimate the total area covered by thin ice in the CryoSat-2/SMOS (Soil Moisture and Ocean Salinity) thickness dataset, as suggested by a thermodynamic sea ice growth model.
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 | 0,001 | 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) | 0,001 | 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 ».