Trends and spatial variation in rain-on-snow events over the Arctic Ocean during the early melt season
Notice bibliographique
Résumé
Abstract. Rain-on-snow (ROS) events can accelerate the surface ablation of sea ice, thus greatly influencing the ice–albedo feedback. However, the variability of ROS events over the Arctic Ocean is poorly understood due to limited historical station data in this region. In this study early melt season ROS events were investigated based on four widely used reanalysis products (ERA-Interim, JRA-55, MERRA, and ERA5) in conjunction with available observations at Arctic coastal stations. The performance of the reanalysis products in representing the timing of ROS events and the phase change of precipitation was assessed. Our results show that ERA-Interim better represents the onset date of ROS events in spring, and ERA5 better represents the phase change of precipitation associated with ROS events. All reanalyses indicate that ROS event timing has shifted to earlier dates in recent decades (with maximum trends up to −4 to −6 d per decade in some regions in ERA-Interim) and that sea ice melt onset in the Pacific sector and most of the Eurasian marginal seas is correlated with this shift. There has been a clear transition from solid to liquid precipitation, leading to more ROS events in spring, although large discrepancies were found between different reanalysis products. In ERA5, the shift from solid to liquid precipitation phase during the early melt season has directly contributed to a reduction in spring snow depth on sea ice by more than −0.5 cm per decade averaged over the Arctic Ocean since 1980, with the largest contribution (about −2.0 cm per decade) in the Kara–Barents seas and Canadian Arctic Archipelago.
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) | 0,002 | 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 ».