Interannual variability in air temperature and snow drives differences in ice formation and growth
Notice bibliographique
Résumé
Abstract. Recent warming of northern high-latitude regions has raised critical concerns regarding the safety and reliability of frozen lakes for winter transportation and recreation. This issue is particularly significant in Canada's Northwest Territories (NWT), where seasonally constructed roads over lakes, rivers, and land (winter roads) span thousands of kilometers and act as vital links to isolated communities and resource development projects. Current climate change and weather variability are altering the evolution of lake ice, challenging predictions of freeze-up, ice growth, and ice decay. The accurate simulation of ice evolution is imperative for safe and efficient planning, operation, and maintenance of winter roads under a changing climate and heightened weather variability. This is particularly significant in the early winter period when ice road planning and design are undertaken. Here, we investigate the effects of weather variability on ice formation, growth, and evolution in a small lake near Yellowknife, NWT, Canada. High-resolution measurements of air, snow, ice, and water temperatures were collected continuously from a floating research station between October and December in 2021, 2022, and 2023 and variability in ice evolution and weather examined. Combinations of above- and below-average snowfall and winter air temperatures resulted in variability of up to 17 d in freeze-up dates (FUDs) and 8 d in freeze-up durations. By the end of December, ice thicknesses (hi) varied up to 12 cm, while the duration between the FUD and hi=30 cm varied up to 10 d. Ice thickness was effectively simulated (RMSE=1.11–2.33 cm) using empirical relationships developed using cumulative freezing degree days (CFDDs) and seasonally cumulative snowfall (ST), while snow ice thicknesses was simulated (RMSE=0.83–1.21 cm) using CFDD and daily snowfall. Developed relationships between air temperatures, snow, and ice thicknesses can be used for predicting the minimum ice thicknesses required for commencing ice road planning and construction management under increasingly variable climatic conditions.
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 ».