Evaluation of Arctic Sea Ice Thickness from a Parameter-Optimized Arctic Sea Ice–Ocean Model
Notice bibliographique
Résumé
Sea ice thickness (SIT) presents comprehensive information on Arctic sea ice changes and their role in the climate system. However, our understanding of SIT is limited by a scarcity of observations and inaccurate model simulations. Based on simultaneous parameter optimization with a micro genetic algorithm, the North Atlantic/Arctic Ocean–Sea Ice Model (NAOSIM) has already demonstrated advantages in Arctic sea ice simulations. However, its performance in simulating pan-Arctic SITs remains unclear. In this study, a further evaluation of Arctic SITs from NAOSIM was conducted based on a comparison with satellite and in situ observations. Generally, NAOSIM can reproduce the annual cycle and downward trend in the sea ice volume. However, deficiencies can still be found in the simulation of SIT spatial patterns. NAOSIM overestimates the SIT of thinner ice (<1.5 m) in the Beaufort Sea, underestimates the SIT of thick ice (>1.5 m) in the central Arctic and is unable to capture the upward trend in the SIT in the north of the Canadian Archipelago as well as to reproduce the intensity of the observed SIT variability. In terms of SIT simulation, NAOSIM performs better as the time approaches the optimization window (2000–2012). Therefore, in the context of rapid changes in Arctic sea ice, how to optimize this model based on limited observations still remains a challenge.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».