Variability of summer-time Arctic sea ice: the drivers and the contribution to the sea ice trend and extremes
Notice bibliographique
Résumé
Understanding the variability of summer-time Arctic sea ice at interannual to multidecadal time scales in the midst of anthropogenically forced sea ice decline is crucial for better predictions of sea ice conditions in the future climate and rapid changes in sea ice. Here, we apply time-frequency analysis to study the modes of variability, extreme events and the trend in the September Arctic sea ice in 100–150 year datasets. We extract the non-linear trend for the sea ice area and provide an estimate for the anthropogenic-driven sea ice loss. For the used dataset, the anthropogenic-related sea ice loss is found to have a rate of ~-0.25 million km2 per decade in the 1980’s and accelerating to ~-0.47 million km2 per decade in 2010’s. By assuming the same rate of sea ice loss in the future, and without the contribution of the internal variability and feedbacks, we can approximate the occurrence of summer sea-ice free Arctic to be around 2060. Regarding the dominant modes of variability for the September sea ice, we find that they have periods of around 3, 6, 17, 28 and 55 years, and show what drives these modes and how they contribute to sea ice extreme events. The main atmospheric and oceanic drivers of sea ice modes include the Arctic oscillation and Arctic dipole anomaly for the 3-year mode, variability of sea surface temperature (SST) in Gulf Stream region for the 6-year mode, decadal SST variability in the northern North Atlantic Ocean for the 17-year mode, Pacific decadal oscillation (PDO) for the 28-year mode, and Atlantic multidecadal Oscillation (AMO) for the 55-year mode. Results show that changes in the sea ice due to internal variability can be as large as forced changes thus can slow down or accelerate the background anthropogenic-driven sea ice loss. By applying the same method, we also present modes of variability and trend of sea ice in the large ensemble global model simulations of EC-Earth model (SMHI-LENS) for the future climate projections and different climate scenarios.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».