Light Under Arctic Sea Ice in Observations and Earth System Models
Notice bibliographique
Résumé
Abstract The intensity and spectrum of light under Arctic sea ice, key to the energy budget and primary productivity of the Arctic Ocean, are tedious to observe. Earth System Models (ESMs) are instrumental in understanding the large‐scale properties and impacts of under‐ice light. To date, however, ESM parameterizations of radiative transfer have been evaluated with a few observations only. From observational programs conducted over the past decade at four locations in the Northern Hemisphere sea ice zone, 349 observational records of under‐ice light and coincident environmental characteristics were compiled. This data set was used to evaluate seven ESM parameterizations. Snow depth, melt pond presence and, to some extent, ice thickness explain the observed variance in light intensity, in agreement with previous work. The effects of Chlorophyll‐a are also detected, with rather low intensity. The spectral distribution of under‐ice light largely differs from typical open ocean spectra but weakly varies among the 349 records except for a weak effect of snow depth on the blue light contribution. Most parameterizations considered reproduce variations in under‐ice light intensity. Large errors remain for individual records, on average by a factor of ∼3, however. Skill largely improves if more predictors are considered (snow and ponds in particular). Residual errors are attributed to missing physics in the parametrizations, inconsistencies in the model‐observation comparison protocol, and measurement errors. We provide recommendations to improve the representation of light under sea ice in the ice‐ocean model NEMO, which may also apply to other ESMs and help improve next‐generation ESMs.
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 | 0,002 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».