Modeling pan-Arctic seasonal and interannual landfast sea ice thickness and snow depth between 1979 and 2021
Notice bibliographique
Résumé
Landfast sea ice (LFSI) is sensitive to local climate change, making it an important component of the cryosphere system. In this study, the LFSI around the pan-Arctic domain was simulated from 1979 to 2021 using a well-validated snow and ice thermodynamic model (HIGHTSI) under the framework of the Fast Ice Prediction System (FIPS), forced by the ERA5 reanalysis. The simulation results agree well with the in-situ observations in the Canadian Arctic, with a mean error of −0.06 ± 0.29 m for ice thickness and −0.04 ± 0.12 m for snow depth. A decrease of −2.8 ± 0.4 cm/10a in thickness and −16.2 ± 1.5 km3/a in volume for the Arctic LFSI was modeled during this period. There was significant spatial variability among the different domains, with the fastest decline found in the Vilkitsky Strait. The modeled snow depth shows large interannual and spatial variations, which was confirmed by other modeling results. The spatiotemporal variations in both air temperature and precipitation are the driving factors for the multi-decadal variations in LFSI thickness. The decreasing air temperature during the 2010s aligned with a slower thickness decrease and a slight volume increase for LFSI, which agreed with the pan-Arctic sea ice pattern.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».