Multi-model based estimation of sea ice volume variations in theBaffin Bay
Notice bibliographique
Résumé
Abstract. Sea ice in Baffin Bay plays an important role in the deep water formation in the Labrador Sea and contributes to the variation of the Atlantic meridional overturning circulation (AMOC) on larger scales. To quantify the sea ice volume variations in Baffin Bay, a major driver of the deep water formation, three state-of-the-art sea ice models (CMST, NAOSIM, and PIOMAS) are investigated in the melt and freezing season from 2011 to 2016. An ensemble of three estimates of the sea ice volume fluxes in Baffin Bay is generated from the three modeled sea ice thickness and NSIDC satellite derived ice drift data. Results show that the net increase of the ensemble mean sea ice volume (SIV) in Baffin Bay occurs from October to April with the largest SIV increase in December (116 ± 16 km3 month−1) and the reduction occurs from May to September with the largest SIV decline in July (−160 ± 32 km3 month−1). The maximum SIV inflow occurs in winter in all the model data consistently. The ensemble mean SIV inflow (322 ± 4 km3) reaches its maximum in winter 2013 caused by high ice velocities while the largest SIV outflow (244 ± 61 km3) occurs in spring of 2014. The long-term annual mean ice volume inflow and outflow are 437(± 53) km3 and 339(± 68) km3, respectively. Our analysis also reveals that on average, sea ice in Baffin Bay melts from May to October with a net reduction of 335 km3 in volume while it freezes from November to April with a net increase of 251 km3.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».