Winter Arctic sea ice thickness from ICESat-2: upgrades to freeboard and snow loading estimates and an assessment of the first three winters of data collection
Notice bibliographique
Résumé
Abstract. Reliable basin-scale estimates of sea ice thickness are urgently needed to improve our understanding of recent changes and future projections of polar climate. Data collected by NASA’s ICESat-2 mission have provided new, high-resolution, estimates of sea ice freeboard across both hemispheres since data collection started in October 2018. These data have been used in recent work to produce estimates of winter Arctic sea ice thickness using snow loading estimates from the NASA Eulerian Snow On Sea Ice Model (NESOSIM). Here we provide an impact assessment of upgrades to both the ICESat-2 freeboard data (ATL10) and NESOSIM snow loading on estimates of winter Arctic sea ice thickness. Misclassified leads were removed from the freeboard algorithm in the third release (rel003) of ICESat-2 freeboard data, which increased freeboards in January and April 2019, and increased the fraction of low freeboards in November 2018, compared to rel002. These changes improved comparisons of sea ice thickness (lower mean biases and standard deviations, higher correlations) with monthly gridded thickness estimates produced from ESA’s CryoSat-2 (using the same input snow and ice density assumptions). Later releases (rel004 and rel005) of ICESat-2 ATL10 freeboards result in less significant changes in the freeboard distributions and thus thickness. The latest version of NESOSIM (version 1.1), forced by CloudSat-scaled ERA5 snowfall, has been re-calibrated using snow depth estimates obtained by NASA’s Operation IceBridge airborne mission. The upgrade from NESOSIM v1.0 to v1.1 results in only small changes in snow depth which have a less significant impact on thickness compared to the rel002 to rel003 freeboard changes. Finally, we present our updated monthly gridded winter Arctic sea ice thickness dataset and highlight key changes over the past three winter seasons of data collection (November 2018–April 2021). Strong differences in total winter Arctic thickness across the three winters are observed, linked to clear differences in the multiyear ice thickness at the start of each winter. Interannual changes in snow depth provide significant impacts on our thickness results on regional and seasonal scales. Our analysis of recent winter Arctic sea ice thickness variability is provided online in a novel Jupyter Book format to increase transparency and user engagement with our derived gridded monthly thickness dataset.
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 | 0,005 | 0,007 |
| 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 | 0,000 | 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 ».