Greenland, Antarctica and Glaciers and Ice Caps mass balance from GRACE/GRACE-FO and other data
Notice bibliographique
Résumé
We discuss the state of mass balance of glaciers and ice sheets from 2002 to present using data from GRACE/GRACE-FO missions, after filling the gap between missions. We compare data processed by different centers (JPL, CSR, GFZ) and evaluate various Glacial Isotatic Adjustment models. In Greenland, the data indicate a persistent mass loss at 251 Gt/yr, with an acceleration of 3 Gt/yr/yr, and large summer losses (400-600 Gt) in 2012, 2017, 2019. The mass balance regime has been evolving significantly in recent years, especially in the North, which holds the largest potential for rapid sea level rise. In Antarctica, ongoing mass losses in the Amundsen Sea Embayment of West Antarctica (122 Gt/yr), Antarctic Peninsula (26 Gt/yr), and Wilkes Land in East Antarctica (33 Gt/yr) dominate a small but significant increase in snowfall in the Queen Maud Land sector of East Antarctica since 2009 (47 Gt/yr). For the GIC, the mass loss averages 274 Gt/yr, with an acceleration of 4 Gt/yr/yr. The largest contributors are in the Arctic: Canadian Archipelago (70 Gt/yr), Alaska (72 Gt/yr), Russian Arctic (21 Gt/yr), Svalbard and Iceland (29 Gt/yr)) versus the southern hemisphere which is dominated by Patagonia (35 Gt/yr). High Mountain Asia averages 22 Gt/yr mass loss, with a large inter-annual variability. In regions not dominated by ice dynamics, the GRACE results compare better every year with output products from regional climate models (MAR, RACMO) forced by ERA5 and with global models such as NASA’s MERRA-2, which offers interesting perspectives for model development.
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 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».