Sensitivity to Sea Ice Thickness Parameters in a Coupled Ice‐Ocean Data Assimilation System
Notice bibliographique
Résumé
Abstract Sea ice thickness (SIT) estimates derived from CryoSat‐2 radar freeboard measurements are assimilated into the Met Office's Forecast Ocean Assimilation Model. We test the sensitivity of winter simulations to the snow depth, radar freeboard product and assumed radar penetration through the snowpack in the freeboard‐to‐thickness conversion. We find that modifying the snow depth has the biggest impact on the modeled SIT, changing it by up to 0.88 m (48%), compared to 0.65 m (33%) when modifying the assumed radar penetration through the snowpack and 0.55 m (30%) when modifying the freeboard product. We find a doubling in the thermodynamic volume change over the winter season when assimilating SIT data, with the largest changes seen in the congelation ice growth. Next, we determine that the method used to calculate the observation uncertainties of the assimilated data products can change the mean daily model SIT by up to 36%. Compared to measurements collected at upward‐looking sonar moorings and during the Operation IceBridge campaign, we find an improvement in the SIT simulations' variability representation when assuming partial radar penetration through the snowpack and when improving the method used to calculate the CryoSat‐2 observation uncertainties. This paper highlights a concern for future SIT data assimilation and forecasting, with the chosen parameterization of the freeboard‐to‐thickness conversion having a substantial impact on model results.
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 | 0,003 | 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 | 0,001 |
| 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 ».