Tuning ice model parameters to improve Arctic sea-ice simulation using the ERA5 atmospheric reanalysis forcing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Two sets of simulations for 1993–2005 are carried out with a medium-resolution ocean and sea-ice model covering the North Pacific, Arctic and North Atlantic Oceans. The first set, using the same model parameters and three different atmospheric forcing datasets (DFS5.2, JRA55-do and ERA5), all show too fast melting of Arctic in spring and summer compared with the ice concentration based on satellite remote sensing. The simulation using ERA5 obtains the smallest ice concentration (largest deviation from satellite data) in summer, and the smallest ice thickness in both summer and winter, corresponding to the largest warm bias of surface air temperature over the Arctic sea-ice. In the second set of simulations using ERA5, changing either the snow conductivity (in W m−1 K−1, from the constant value of 0.31 to 0.15 during April –September and 0.5 during October–March) or the albedo of bare puddled ice (from 0.53 to 0.63) leads to an increase in ice concentration in summer, and ice thickness in both summer and winter. The simulation using ERA5 with both parameters altered is from October 1993 to March 2023, and obtains seasonal, interannual and long-term variations of ice area generally consistent with satellite data.
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.
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 | 0,001 |
| 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 découle