Assessment of Arctic sea ice dynamics and their impacts on precipitation moisture sources using deep learning approaches
Notice bibliographique
Résumé
Stable isotopes of water ( 18 O and 2 H) are essential for analyzing the Arctic water cycle and climate variations. However, the link between sea ice extent changes as an important factor influencing Arctic climate and the isotopic composition of Arctic precipitation remains unclear. This study examined how sea ice extent in different Arctic marine regions affects precipitation isotopes at stations belonging to the Global Network of Isotopes in Precipitation (GNIP) across the Arctic. The main objective of this study was to evaluate the influence of sea ice extent variability on moisture sources and the isotopic composition of precipitation, with a particular focus on d -excess. Advanced deep learning techniques, including Long Short-Term Memory (LSTM), Deep Neural Network (DNN), and Recurrent Neural Network (RNN), were employed to analyze how variations in sea ice coverage impact the isotopic content in Arctic precipitation. To enhance prediction accuracy, Entropy Model Averaging (EMA) was used to ensemble the outputs of the models. Interpolated maps of the simulated isotope values were generated using Inverse Distance Weighting (IDW) to visualize spatial patterns. This study demonstrated the influence of sea ice changes on the isotopic composition of Arctic precipitation and simulated d -excess values. The reduction in sea ice increased Arctic moisture proportion (AMP) in precipitation, altering its isotopic composition. Analysis of d -excess revealed lower values in locally sourced precipitation and higher values in precipitation from subtropical sources. These findings highlight the key role of sea ice extent changes in influencing moisture sources and the isotopic composition of Arctic precipitation. • The interplay between d -excess in Arctic precipitation and sea ice extent changes was investigated. • Deep learning models (DNN, LSTM, RNN) simulated d -excess in Arctic precipitation. • Ensemble model (EMA) improved accuracy of d -excess simulations in the Arctic. • Copula theory assessed relationships between d -excess and sea ice extent. • The study revealed spatial variability of d -excess related to Arctic moisture sources.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».