Observationally calibrating snow-on-sea-ice model free parameters and estimating uncertainties using a Markov Chain Monte Carlo method
Notice bibliographique
Résumé
Snow on Arctic sea ice plays many roles in Arctic climate feedbacks; in particular, through its impact on sea ice. Snow can have many, sometimes contrasting effects on sea ice thickness and extent. For example, during the ice growth season, snow can inhibit ice growth by insulating the ice from the cold atmosphere. Conversely, snow can allow sea ice to persist longer during the melt season, due to its high albedo. Furthermore, estimates of snow depth on Arctic sea ice are a key input for deriving sea ice thickness from satellite lidar altimetry measurements, such as those from ICESat-2. Due to the logistical challenges of making measurements in as remote a region as the Arctic, snow depth on Arctic sea ice is difficult to observationally quantify. To provide widespread estimates of the depth and density of snow on Arctic sea ice, models such as the NASA Eulerian Snow On Sea Ice Model (NESOSIM) can be used. The latest version of NESOSIM, version 1.1, is a 2-layer three-dimensional model with simple representations of snow accumulation, wind packing, loss due to blowing snow, and redistribution due to sea ice motion. Relative to version 1.0, among other changes, NESOSIM 1.1 features an extended model domain and reanalysis snowfall input from ERA5 scaled to observed snowfall derived from CloudSat satellite radar measurements. The free parameters in NESOSIM, which dictate the strength of the wind packing (densification) and blowing snow loss processes, cannot be directly constrained to observations. We present an indirect calibration of these free parameters, by calibrating NESOSIM output to observations from airborne snow depth observations from Operation IceBridge and in situ CRREL-Dartmouth snow buoy measurements, as well as historical Soviet drifting station density measurements, using a Metropolis Markov Chain Monte Carlo (MCMC) approach. This approach produces estimates of the free parameters and their uncertainty distributions, from which model snow depth and density uncertainties can be estimated. We find that introducing stricter observational constraints in the calibration produces narrower snow depth uncertainty distributions from NESOSIM. We then examine the impact of these uncertainties on sea ice thickness derived using NESOSIM output and freeboard measurements from ICESat-2.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».