Investigation of the Arctic Sea ice volume from 2002 to 2018 using multi‐source data
Notice bibliographique
Résumé
Abstract The Arctic sea ice volume (SIV) was investigated by applying sea ice concentration (SIC) and multi‐source sea ice thickness (SIT) products from the Pan‐Arctic Ice‐Ocean Modelling and Assimilation System (PIOMAS), Envisat and CryoSat‐2 (CS‐2) products. The SIV was estimated during the sea ice growth season (October–April) from October 2002 to December 2018. During the Envisat period (October 2002–April 2010), negative SIV trends were estimated by a hybrid Envisat and PIOMAS SIT dataset (defined as Envi‐PIO); the declining trends for both the maximum/minimum SIV were 360 and 177 km3⋅year−1, respectively; similar SIV trends were obtained by applying only the PIOMAS SIT data. During the CS‐2 period (October 2010–December 2018), no clear trends in the SIV were estimated by either CS‐2 or PIOMAS, except for clear increases in the SIV in northern Greenland and the Canadian Arctic Archipelago (CAA) using the CS‐2 SIT data. The age of sea ice plays an important role in SIV variability. For example, the SIV trend was found to be similar to the multi‐year ice trend between 2003 and 2007. The correlation coefficients between the monthly mean SIV and surface air temperature (SAT) and sea surface temperature (SST) were −0.60 and −0.82, respectively. The decreasing trend in the SIV during the Envisat period was influenced by the increase in the annual maximum SST and minimum SAT. The significant increase in the SIV in northern Greenland and the CAA during the CS‐2 period was related to ice deformation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».