Estimating a mean transport velocity in the marginal ice zone using ice–ocean prediction systems
Notice bibliographique
Résumé
Understanding the transport of objects and material in the marginal ice zone (MIZ) is critical for human operations in polar regions. This can be the transport of pollutants, such as spilled oil, or the transport of objects, such as drifting ships and search and rescue operations. For emergency response, the use of environmental prediction systems are required which predict ice and ocean parameters and are run operationally by many centres in the world. As these prediction systems predict both ice and ocean velocities, as well as ice concentration, it must be chosen how to combine these data to best predict the mean transport velocities. In this paper we present a case study of four drifting buoys in the MIZ deployed at four distinct ice concentrations. We compare short-term trajectories, i.e. up to 48 h lead times, with standard transport models using ice and ocean velocities from two operational prediction systems. A new transport model for the MIZ is developed with two key features aimed to help mitigate uncertainties in ice–ocean prediction systems: first, including both ice and ocean velocities and linearly weighting them by ice concentration, and second, allowing for a non-zero leeway to be added to the ice velocity component. This new transport model is found to reduce the error by a factor of 2 to 3 for drifters furthest in the MIZ using ice-based transport models in trajectory location after 48 h.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».