Satellite-retrieved sea ice concentration uncertainty and its effect on modelling wave evolution in marginal ice zones
Notice bibliographique
Résumé
Abstract. Ocean surface waves are known to decay when they interact with sea ice. Wave–ice models implemented in a spectral wave model, e.g. WAVEWATCH III® (WW3), derive the attenuation coefficient based on several different model ice types, i.e. how the model treats sea ice. In the marginal ice zone (MIZ) with sea ice concentration (SIC) < 1, the wave attenuation is moderated by SIC: we show that subgrid-scale processes relating to the SIC and sea ice type heterogeneity in the wave–ice models are missing and the accuracy of SIC plays an important role in the predictability. Satellite-retrieved SIC data (or a sea ice model that assimilates them) are often used to force wave–ice models, but these data are known to have uncertainty. To study the effect of SIC uncertainty ΔSIC on modelling MIZ waves during the 2018 R/V Mirai observational campaign in the refreezing Chukchi Sea, a WW3 hindcast experiment was conducted using six satellite-retrieved SIC products based on four algorithms applied to SSMIS and AMSR2 data. The results show that ΔSIC can cause considerable wave prediction discrepancies in ice cover. There is evidence that bivariate uncertainty data (model significant wave heights and SIC forcing) are correlated, although off-ice wave growth is more complicated due to the cumulative effect of ΔSIC along an MIZ fetch. The analysis revealed that the effect of ΔSIC can overwhelm the uncertainty arising from the choice of model ice types, i.e. wave–ice interaction parameterisations. Despite the missing subgrid-scale physics relating to the SIC and sea ice type heterogeneity in WW3 wave–ice models – which causes significant modelling uncertainty – this study found that the accuracy of satellite-retrieved SIC used as model forcing is the dominant error source of modelling MIZ waves in the refreezing ocean.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».