Notice bibliographique
Résumé
Sea ice has been highlighted as a climate change indicator [IPCC, 1995]. Models are useful tools to study Arctic sea ice on decadal and longer time scales [Vinnikov et al., 1999] and the viscous-plastic model has been identified as the best model available to simulate ice motion [Kreyscher et al., 2000]. Here we investigate whether a stand-alone viscous-plastic model reproduces observed ice thickness. The Kiel sea ice model and the UCL model, documented in this thesis, are compared to ERS radar altimeter estimates of ice freeboard. Compared to the observations, ice thickness is over estimated by 2 m in both models. Near the Canadian Archipelago this thickness difference increases to 3 m. We investigate whether a large thickness error in the model can be explained by errors in the model force balance. A sensitivity study of ocean and wind drag coefficients and maximum ice strength shows that the model ice thickness cannot be improved by only varying the maximum ice strength. The viscous-plastic model is computationally expensive to solve accurately, which hinders its use in GCMs. We revise the numerical solution, introducing a new overrelaxation method which guarantees the stress solution is always within the yield criterion. The convergence of the velocity vector is much improved compared to the iterative scheme of Zhang and Hibier [1997]. Finally a numerical error is identified in the traditional velocity correction scheme which accounts for up to 0.5 m of the model ice thickness error. An efficient algorithm is designed and implemented to ensure the fully coupled mass-momentum solution is found to numerical accuracy. In this thesis we find that the viscous-plastic model over estimates Arctic ice thickness in the late 1990s. Up to 25% of this error may be attributed to unresolved mass-momentum coupling, and we suggest other errors may lie in thermodynamic modelling.
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 | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».