Variabilities in climate sensitivities and mass balance of four High Mountain Asian glaciers
Notice bibliographique
Résumé
We analyse the mass balance evolution and climate sensitivities of four glaciers of High Mountain Asia (HMA) over the last five decades: Tuyuksu and Sary Tor glaciers (Northern and Central Tien Shan, Central Asia), Chhota Shigri Glacier (West-Central Himalaya), and an unnamed glacier (Glacier No. 4) (Eastern Himalaya). Using declassified Corona and Hexagon imageries (1960–1980) and recent high-resolution optical satellite data, we estimate mass loss rates of −0.3 ± 0.1 m w.e a −1 (Tuyuksu and Chhota Shigri, 1971–2020), −0.6 ± 0.1 m w.e a −1 (Sary Tor, 1973–2023) and − 0.4 ± 0.1 m w.e. a −1 (Glacier No. 4, 1969–2022). A calibrated mass balance model (SnowModel) coupled with an ice dynamics model was used to simulate long-term annual and seasonal mass balance. Sensitivity analysis indicates temperature has a much stronger influence than precipitation, with Glacier No. 4 being most climate sensitive. Even in the most optimistic future climate scenario (SSP126), temperatures are projected to rise by ~2 °C with a ~ 10 % increase in precipitation, leading to continuous mass loss. Sensitivity based projections suggest losses within a range of 0.8 m w.e. a −1 (Chhota Shigri) and 1.8 m w.e. a −1 (Glacier No. 4), with higher losses under more extreme scenarios. Glacier No. 4 faces the greatest threat due to insufficient precipitation to counterbalance warming. These findings highlight the vulnerability of HMA glaciers and the challenge of maintaining equilibrium under future climate scenarios.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».