A high-resolution pan-Arctic meltwater discharge dataset from 1950 to 2021
Notice bibliographique
Résumé
Abstract. Arctic air temperatures have increased approximately 4 times faster than the global average since about 1980. Consequently, the Greenland ice sheet has lost approximately twice as much ice as the Antarctic ice sheet between 2003 and 2019, and mass loss from glaciers and ice caps is also dominated by those that lie in the Arctic. Thus, Arctic land ice loss is currently a major contributor to global sea level rise. This increasing freshwater flux into the Arctic and North Atlantic oceans, will also affect physical, chemical and biological processes across a range of domains and spatiotemporal scales. To date, meltwater discharge data at Arctic coastlines are only available from two datasets that are limited by their spatial resolution and/or coverage. Here, we extend previous work and provide a high-resolution coastal meltwater discharge data product that covers all Arctic regions, where land ice is present, i.e. the Canadian Arctic Archipelago, Greenland, Iceland, Svalbard, Russian Arctic islands. Coastal meltwater discharge data – i.e. spatially integrated runoff that is assigned to the outflow points of drainage basins – were derived from Modèle Atmosphérique Régional (MAR) daily ice and land runoff products between 1950 and 2021, which we statistically downscaled from their original approximately 6 km resolution to 250 m. The complete data processing algorithm, including downscaling, is fully documented and relies on open-source software. The coastal discharge database is disseminated in easily accessible and storage efficient netCDF files (Igneczi and Bamber, 2024; https://doi.org/10.1594/PANGAEA.967544).
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 | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».