Evaluation of sea-ice thickness reanalysis data from the coupled ocean-sea-ice data assimilation system TOPAZ4
Notice bibliographique
Résumé
Abstract With the assimilation of satellite-based sea-ice thickness (SIT) data, the new SIT reanalysis from the Towards an Operational Prediction system for the North Atlantic European coastal Zones (TOPAZ4) was released from 2014 to 2018. Apart from assimilating sea-ice concentration and oceanic variables, TOPAZ4 further assimilates CS2SMOS SIT. In this study, the 5-year reanalysis is compared with CS2SMOS, the Pan-Arctic Ice-Ocean Modeling and Assimilating System (PIOMAS) and the Combined Model and Satellite Thickness (CMST). Moreover, we evaluate TOPAZ4 SIT with field observations from upward-looking sonar (ULS), ice mass-balance buoys, Operation IceBridge Quicklook and Sea State Ship-borne Observations. The results indicate TOPAZ4 well reproduces the spatial characteristics of the Arctic SIT distributions, with large differences with CS2SMOS/PIOMAS/CMST mainly restricted to the Atlantic Sector and to the month of September. TOPAZ4 shows thinner ice in March and April, especially to the north of the Canadian Arctic Archipelago with a mean bias of −0.30 m when compared to IceBridge. Besides, TOPAZ4 simulates thicker ice in the Beaufort Sea when compared to ULS, with a mean bias of 0.11 m all year round. The benefit from assimilating SIT data in TOPAZ4 is reflected in a 34% improvement in root mean square deviation.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».