New estimates of pan-Arctic sea ice–atmosphere neutral drag coefficients from ICESat-2 elevation data
Notice bibliographique
Résumé
Abstract. The effect that sea ice topography has on the momentum transfer between ice and atmosphere is not fully quantified due to the vast extent of the Arctic and limitations of current measurement techniques. Here we present a method to estimate pan-Arctic momentum transfer via a parameterization that links sea ice–atmosphere form drag coefficients with surface feature height and spacing. We measure these sea ice surface feature parameters using the Ice, Cloud and land Elevation Satellite-2 (ICESat-2). Though ICESat-2 is unable to resolve as well as airborne surveys, it has a higher along-track spatial resolution than other contemporary altimeter satellites. As some narrow obstacles are effectively smoothed out by the ICESat-2 ATL07 spatial resolution, we use near-coincident high-resolution Airborne Topographic Mapper (ATM) elevation data from NASA's Operation IceBridge (OIB) mission to scale up the regional ICESat-2 drag estimates. By also incorporating drag due to open water, floe edges and sea ice skin drag, we produced a time series of average total pan-Arctic neutral atmospheric drag coefficient estimates from November 2018 to May 2022. Here we have observed its temporal evolution to be unique and not directly tied to sea ice extent. By also mapping 3-month aggregates for the years 2019, 2020 and 2021 for better regional analysis, we found the thick multiyear ice area directly north of the Canadian Archipelago and Greenland to be consistently above 2.0×10-3, while most of the multiyear ice portion of the Arctic is typically around ∼1.5×10-3.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».