Automated Calibration of a Snow‐On‐Sea‐Ice Model
Notice bibliographique
Résumé
Abstract Snow on Arctic sea ice has many, contrasting effects on ice thickness and extent. Furthermore, estimates of snow depth on Arctic sea ice are a key input for ice thickness estimates from satellite altimeters such as ICESat‐2. Models such as the NASA Eulerian Snow on Sea Ice Model (NESOSIM) have been recently utilized by the sea ice community to provide time‐varying basin‐wide estimates of snow depth and density on Arctic sea ice. NESOSIM is a two‐snow‐layer model with simple representations of snow accumulation, wind packing, loss due to blowing snow, and redistribution due to sea ice motion. Two free parameters in NESOSIM, which dictate the bulk effect of wind packing (densification) and blowing snow processes, lack direct observational constraints. We present an indirect calibration of these parameters using a Markov Chain Monte Carlo (MCMC) approach. NESOSIM output is calibrated to observations of snow depth from Operation IceBridge and CRREL‐Dartmouth buoys, and density from historical drifting stations. OIB measurements alone are found to more strictly constrain the blowing snow parameter, and including additional observations yields more physically reasonable density estimates. The MCMC‐calibrated model output is further used to estimate sea ice thickness and uncertainty from model parameter uncertainty using ICESat‐2 freeboard measurements. Despite visible differences in density, the change in ice thickness is minimal. We also find that the model is relatively insensitive to parameter variations, and hence, the snow model uncertainty contribution to ice thickness is small compared to the systematic uncertainty from snow in the current ICESat‐2 thickness product.
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 | 0,001 |
| 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 ».