A long-term proxy for sea ice thickness in the Canadian Arctic: 1996–2020
Notice bibliographique
Résumé
Abstract. This study presents a long-term winter sea ice thickness proxy product for the Canadian Arctic based on a random forest regression model – applied to ice charts and scatterometer data, trained on CryoSat-2 observations, and applying an ice type–sea ice thickness correction using the Pan-Arctic Ice Ocean Modeling and Assimilation System (PIOMAS) – that provides 25 years of sea ice thickness in the Beaufort Sea, Baffin Bay, and, for the first time, the Canadian Arctic Archipelago. An evaluation of the product with in situ sea ice thickness measurements shows that the presented sea ice thickness proxy product correctly estimates the magnitudes of the ice thickness and accurately captures spatial and temporal variability. The product estimates sea ice thickness within 30 to 50 cm uncertainty from the model. The sea ice thickness proxy product shows that sea ice is thinning over most of the Canadian Arctic, with a mean trend of −0.82 cm yr−1 in April over the whole study area (corresponding to 21 cm thinning over the 25-year record), but that trends vary locally. The Beaufort Sea and Baffin Bay show significant negative trends during all months, though with peaks in November (−2.8 cm yr−1) and April (−1.5 cm yr−1), respectively. The Parry Channel, which is part of the Northwest Passage and relevant for shipping, shows significant thinning in autumn. The sea ice thickness proxy product provides, for the first time, the opportunity to study long-term trends and variability in sea ice thickness in the Canadian Arctic, including the narrow channels in the Canadian Arctic Archipelago.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».