Notice bibliographique
Résumé
Abstract. Understanding the evolution of Arctic sea-ice is crucial due to its climatic and socio-economic impacts. Usual descriptors (e.g., sea-ice extent, sea-ice age, and ice-free duration) quantify changes but do not account for the full seasonal cycle. Here, using satellite observations of sea-ice concentration over 1979–2023, we perform a k-means clustering of the Arctic sea-ice seasonal cycle, initializing with equal quantile separation and using Mahalanobis distance. We identify four optimal seasonal cycle clusters: open-ocean (no ice year-round), permanent sea-ice (full coverage with a minimum of 70 % sea-ice concentration), and two clusters showing ice-free conditions, namely partial and full winter freezing. The latter has larger sea-ice concentration in winter, more abrupt melting and freezing periods, and a shorter ice-free season than the former. The probability of belonging to the open-ocean cluster increased by 1.6 % per decade mostly due to cluster spatial expansion on the Eurasian side. The permanent sea-ice decreased by 1.5 % per decade with a likelihood reduction in the Canadian side. The partial and full winter freezing clusters do not exhibit any trend but spatial shifts occur. We further diagnose cluster transitions and subsequently infer regions of stabilization and destabilization. The East Siberian and Laptev seas are destabilizing (losing their typical permanent sea-ice seasonal cycle) while the Kara and Chukchi seas have stabilized (experiencing a new typical seasonal cycle, corresponding to the partial winter-freezing cluster). This work provides a new way to describe Arctic regional changes using a statistical framework based on physical behaviours of sea-ice.
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 | 0,002 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,022 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,163 | 0,125 |
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 ».