MétaCan
Menu
Retour à la cohorte
Enregistrement W4411276466 · doi:10.1175/jcli-d-24-0485.1

Sea Ice Nonlinearities Act to Rectify and Filter Oceanic and Atmospheric Forcing

2025· article· en· W4411276466 sur OpenAlexafffund
Benjamin Richaud, Michael Dowd, Christoph Renkl, Eric C. J. Oliver

Notice bibliographique

RevueJournal of Climate · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaArcticNet
Mots-clésClimatologyForcing (mathematics)Environmental scienceGeologySea iceOceanographyMeteorologyGeography

Résumé

récupéré en direct d'OpenAlex

Abstract The nonlinearities controlling sea ice thermodynamics integrate forcing from the ocean and atmosphere in surprising ways, rendering it difficult to understand the processes affecting sea ice response to climate change. In this study, a simple ice thickness model is forced by realistic stochastic atmospheric and oceanic heat fluxes. Ensemble experiments show that the nonlinearities in the system rectify the added zero-mean noise on weather time scales leading to a change in the mean sea ice state. Most notably, there is a thinning in summer when sea ice is already at its minimum. The sea ice system integrates high-frequency forcing to influence longer time scales, thus changing not only the mean state but also the interannual-to-decadal variability of sea ice. Adding a trend to the forcing variables yields estimates of the dominant drivers of the current and future ice loss in the Arctic, with a prevalent role of ice–ocean heat flux over surface heat fluxes. This study reveals sea ice as a fundamental climate component, absorbing the energy into its mean state and transforming weather fluctuations with time scales of days to weeks into internal variability on time scales of months to decades. Significance Statement Understanding how sea ice responds to changes in the Arctic climate is crucial to predict its future. Using a simple model, ice thickness is shown to react in unexpected ways to small changes in atmospheric and oceanic conditions. Sea ice absorbs parts of those changes to modify its average thickness and transforms short-term weather fluctuations (lasting days to weeks) into longer-term changes in ice thickness (lasting months to decades). When it comes to Arctic warming, trends in the atmosphere and ocean have different impacts on the ice melt. The ocean plays a bigger role in determining when a seasonally ice-free Arctic will occur. This study emphasizes that sea ice is a key part of the climate system.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,232
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207