Using CloudSat snowfall rate observations to constrain and characterize the uncertainties of Arctic snow-on-sea-ice
Notice bibliographique
Résumé
Snow on Arctic sea ice plays multiple—and sometimes contrasting—roles in several feedbacks between sea ice and the global climate system. For example, the presence of snow on sea ice may mitigate sea ice melt by increasing the sea ice albedo and enhancing the ice-albedo feedback. Conversely, snow can inhibit sea ice growth by insulating the ice from the atmosphere during the sea ice growth season. In addition to its contribution to sea ice feedbacks, snow on sea ice also poses a challenge for sea ice observations. In particular, snow contributes to uncertainties in retrievals of sea ice thickness from satellite altimetry measurements, such as those from ICESat-2. Snow-on-sea-ice models can produce basin-wide snow depth estimates, but these models require snowfall input from reanalysis products. In-situ snowfall measurements are absent over most of the Arctic Ocean, so it can be difficult to determine which reanalysis snowfall product is best suited to be used as input for a snow-on-sea-ice model. In the absence of in-situ snowfall rate measurements, measurements from satellite instruments can be used to quantify snowfall over the Arctic Ocean. The CloudSat satellite, which is equipped with a 94 GHz Cloud Profiling Radar instrument, measures vertical radar reflectivity profiles from which snowfall rates can be retrieved. This instrument provides the most extensive high-latitude snowfall rate observation dataset currently available. CloudSat’s near-polar orbit enables it to make measurements at latitudes up to 82°N, with a 16-day repeat cycle, over the time period from 2006-2016. We present a calibration of reanalysis snowfall to CloudSat observations over the Arctic Ocean, which we then apply to reanalysis snowfall input for the NASA Eulerian Snow On Sea Ice Model (NESOSIM). This calibration reduces the spread in snow depths produced by NESOSIM when different reanalysis inputs are used. In light of this calibration, we revise the NESOSIM parametrizations of wind-driven snow processes, and we characterize the uncertainties in NESOSIM-generated snow depths resulting from uncertainties in snowfall input. We then extend this analysis further to estimate the resulting uncertainties in sea ice thickness retrieved from ICESat-2 when snow depth estimates from NESOSIM are used as input for the retrieval.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».