Seasonal Arctic sea ice predictability and prediction

Arctic sea ice plays a central role in the Earth’s climate. Changes in the sea ice on seasonal-to-interannual timescales impact ecosystems, populations and a growing number of stakeholders. A prerequisite for achieving better sea ice predictions is a better understanding of the underlying mechanisms of sea ice predictability. In the first part, we investigate the seasonal-to-interannual Arctic sea ice predictability in perfect-model experiments performed with six different climate models. Similar pan-Arctic winter sea ice extent (SIE) reemergence is found for HadGEM1.2, GFDL-CM3 and E6F, while a sea ice volume (SIV) persistence from 1 to 3 years is confirmed for all models. Similarities in winter SIE predictability remergence in the GIN seas and Baffin Bay are found even though models have distinct sea ice states. A summer SIV skill reemergence is also found in the Barents, Kara and Chukchi seas. A regional analysis in EC-Earth2.3 suggests that Arctic basins can be classified according to three distinct regimes. The central Arctic drives most of the pan-Arctic SIV persistence. In peripheral seas, predictability for the SIE in winter is associated with ocean thermal anomalies persistence. The Labrador Sea exhibits the longest predictability (up to 1.5 years), the reemergence of predictability in winter being driven by the advection of heat content anomalies along the subpolar gyre. In real predictions, forecast errors appear due to inconsistencies between the initial states of the different model components and to the development of the inherent model biases. We identify and quantify the contribution of initial condition (IC) inconsistencies and systematic model errors to the forecast model errors in two sets of seasonal forecasts (May and November initialized) produced with EC-Earth3.2 during the first forecast month. After 24 (19) days, the inherent model biases become the largest contributor to the forecast error for the May (November) initialized forecasts, while the initial inconsistency dominates in the previous days. This initial inconsistency is mostly associated to a mismatch between the sea ice and ocean ICs, with a marginal role associated to differences with the atmosphere. The development of both types of errors is sensitive to the month of initialization: the initial shock is more pronounced in November than in May because the initial ocean is warmer and less consistent with the initial sea ice cover, in both cases the shock leading to sea ice melting. The last part compares three seasonal forecast systems based on EC-Earth and initialized through three different strategies: (1) using both the sea ice and ocean ICs from a native reconstruction that assimilates ORAS4 temperature and salinity with a weak surface restoring coefficient, (2) taking the sea ice ICs from the same reconstruction as in 1 and the oceanic ICs from ORAS4 and (3) the same as in 1 but using a stronger restoring coefficient. The objective is to assess the impact of these methods on the sea ice bias and skill. Strategy 2 induces an initial shock because of a too warm polar surface ocean in ORAS4 for the reconstructed sea ice ICs. For strategy 3, a strong ocean nudging towards ORAS4 produces a too warm ocean and a sea ice deficit. For the prediction initialized using method 1, no shocks are observed. The sea ice errors of strategies 2 and 3 converge in less than a month, demonstrating the role of the ocean ICs in driving the sea ice biases. Although no significant differences appear between the sea ice prediction skill of the three forecast systems, all three show significantly higher skill than the historical experiment for the pan-Arctic SIE during the first two months. The Labrador Sea is the only basin with a significant added value of initialization during the 7 months of prediction, whereas only about 3 months of added-value are detected in the peripheral basins. El hielo marino del Ártico juega un papel central en el clima de la Tierra. Los cambios en el hielo marino en escalas temporales estacionales a interanuales afectan a los ecosistemas, las poblaciones y un número creciente de sectores socio-económicos. Para lograr mejores predicciones de hielo marino se necesita una mejor comprensión de los mecanismos subyacentes de su predictibilidad. En la primera parte, investigamos la predictibilidad del hielo marino del Ártico en escalas de tiempo estacional a interanual en experimentos de modelo perfecto realizados con seis modelos climáticos diferentes. Se observa una reemergencia similar de la extensión del hielo marino (SIE) de invierno panártico para HadGEM1.2, GFDL-CM3 y E6F, mientras que se confirma una persistencia del volumen de hielo marino (SIV) de 1 a 3 años para todos los modelos. Se encuentran similitudes en la reemergencia de predictibilidad de invierno del SIE en los mares GIN y la Bahía de Baffin a pesar de que los modelos tienen estados de hielo marino distintos. Un análisis regional en EC-Earth2.3 sugiere que las cuencas árticas se pueden clasificar de acuerdo con tres regímenes distintos. El Ártico central contribuye en mayor parte a la persistencia del SIV panártico. En los mares periféricos, la predictibilidad del SIE en invierno está asociada a la persistencia de anomalías térmicas oceánicas. El Mar de Labrador exhibe la predictibilidad más larga (hasta 1.5 años), y el resurgimiento de la predictibilidad en invierno se debe a la advección de anomalías en el contenido de calor del océano en el giro subpolar del Atlántico Norte. En las predicciones reales, los errores de predicción aparecen debido a inconsistencias entre los estados iniciales de las diferentes componentes del modelo y al desarrollo de errores inherentes al modelo. Cuantificamos la contribución de las inconsistencias de las condiciones iniciales (ICs) y los errores sistemáticos del modelo a los errores de predicción en dos sistemas de predicciones estacionales (inicializados en mayo y noviembre) producidos con EC-Earth3.2. Después de 24 (19) días, los errores inherentes del modelo se convierten en el mayor contribuyente al error de predicción para las predicciones inicializadas en mayo (noviembre), mientras que la inconsistencia inicial domina durante los días anteriores. Esta inconsistencia inicial se asocia principalmente a un desajuste entre las ICs del hielo marino y del océano, con un papel marginal asociado a las diferencias con la atmósfera, que lleva al derretimiento del hielo marino. La última parte compara tres sistemas de predicción estacional basados en EC-Earth e inicializados a través de tres estrategias diferentes: (1) utilizando las ICs del hielo marino y del océano de una reconstrucción nativa que asimila la temperatura y la salinidad de ORAS4 con un coeficiente de restauración superficial débil (2) tomando las ICs de hielo marino de la misma reconstrucción que en 1 y las ICs oceánicas de ORAS4 y (3) igual que en 1 pero usando un coeficiente de restauración más fuerte. El objetivo es evaluar el impacto de estos métodos en el error y la habilidad predictiva del hielo marino. La estrategia 2 induce un choque inicial debido a un océano de superficie demasiado cálido en ORAS4 para las ICs del hielo marino. Para la estrategia 3, una asimilación fuerte del océano hacia ORAS4 produce un océano demasiado cálido y un déficit de hielo marino. Para la predicción inicializada utilizando el método 1, no se observan choques. Los errores del hielo marino de las estrategias 2 y 3 convergen en menos de un mes, lo que demuestra el papel de las ICs oceánicas en la conducción de los errores de hielo marino. Los tres sistemas de predicción muestran una habilidad significativamente mayor que el experimento histórico (pero no entre ellos) para el SIE panártico durante los primeros dos meses. El mar de Labrador es la única cuenca con un valor añadido significativo por la inicialización durante toda la predicción (7 meses), mientras que solo se detectan aproximadamente 3 meses de valor añadido en las cuencas periféricas.

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.