Predictability of the Minimum Sea Ice Extent from Winter Fram Strait Ice Area Export: Model versus Observations
Notice bibliographique
Résumé
Abstract Observations show predictive skill of the minimum sea ice extent (Min SIE) from late winter anomalous offshore ice drift along the Eurasian coastline, leading to local ice thickness anomalies at the onset of the melt season—a signal then amplified by the ice–albedo feedback. We assess whether the observed seasonal predictability of September sea ice extent (Sept SIE) from Fram Strait Ice Area Export (FSIAE; a proxy for Eurasian coastal divergence) is present in global climate model (GCM) large ensembles, namely the CESM2-LE, GISS-E2.1-G, FLOR-LE, CNRM-CM6-1, and CanESM5. All models show distinct periods where winter FSIAE anomalies are negatively correlated with the May sea ice thickness (May SIT) anomalies along the Eurasian coastline, and the following Sept Arctic SIE, as in observations. Counterintuitively, several models show occasional periods where winter FSIAE anomalies are positively correlated with the following Sept SIE anomalies when the mean ice thickness is large, or late in the simulation when the sea ice is thin, and/or when internal variability increases. More important, periods with weak correlation between winter FSIAE and the following Sept SIE dominate, suggesting that summer melt processes generally dominate over late-winter preconditioning and May SIT anomalies. In general, we find that the coupling between the winter FSIAE and ice thickness anomalies along the Eurasian coastline at the onset of the melt season is a ubiquitous feature of GCMs and that the relationship with the following Sept SIE is dependent on the mean Arctic sea ice thickness.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».