Improving Arctic Sea Ice Predictions of the Norwegian Climate Prediction Model Through Dynamical Downscaling
Notice bibliographique
Résumé
Abstract Recent declines in Arctic sea ice and increasing shipping activity demand more precise sea ice predictions. However, the coarse spatial resolution of Earth system models, such as the Norwegian Climate Prediction Model (NorCPM), limits their ability to resolve fine‐scale ice features that are critical for safe Arctic navigation. To address the limitation, we implement a dynamical downscaling approach in a case study covering the 2023 autumn freeze‐up season. Specifically, a NorCPM hindcast provides atmospheric forcing for the regional coupled ocean‐sea ice model, the Norwegian High‐resolution pan‐Arctic ocean, and sea ice Prediction System (NorHAPS), which produces high‐resolution (3–5 km) hindcasts of Arctic sea ice concentration (SIC). The downscaled SIC predictions show improved performance throughout the prediction period with particularly notable reductions in the overestimation bias along the Northeast and Northwest Passages prior to mid‐to‐late October especially in marginal ice zones. Furthermore, NorHAPS provides a more accurate representation of local discontinuities and fine‐scale sea ice structures in key regions of the Arctic passages, such as the Laptev Sea, Canadian Arctic Archipelago, and Beaufort Sea. These improvements are associated with a more realistic simulation of sea ice freeze‐up processes, which mitigates the premature freezing found in NorCPM outputs. Overall, our results demonstrate that dynamical downscaling is a viable method for refining the outputs of coarse‐resolution climate models. This approach generates detailed sea ice predictions, which can support safe Arctic maritime operations.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».