Mais

17.2: Atribuição: Mudanças na extensão do gelo marinho nos pólos - Geociências

17.2: Atribuição: Mudanças na extensão do gelo marinho nos pólos - Geociências


Mudanças na extensão do gelo marinho nos polos

Figura 1. Cientistas sul-africanos trabalham colocando rastreadores no gelo na Zona de Gelo Marginal da Antártica, no Cabo das Agulhas II, durante um cruzeiro científico à área no inverno de 2017

Visão geral

Com relação aos argumentos que apóiam (ou não) a mudança climática, os cientistas do clima concordam que a mudança climática está acontecendo e que é de fato exacerbada pela atividade humana. No entanto, ainda existem alguns céticos e organizações inteiras fora do campo da ciência do clima que se dedicam a desmascarar as mudanças climáticas. Eles podem usar dados reais para apoiar seu argumento, mas dados importantes são freqüentemente omitidos ou apresentados de forma a pintar um quadro muito diferente ou distorcido das evidências a favor ou contra as mudanças climáticas. Nesta atividade de laboratório, você terá a oportunidade de explorar e comparar dados apresentados de diferentes pontos de vista, incluindo dados apresentados em um artigo amplamente divulgado (mas não atribuído) intitulado "Gelo do Mar Antártico para março de 2010 Significativamente Maior que 1980", que foi publicado em abril de 2010 por um site chamado “Global Warming Hoax”. Sinta-se à vontade para visitar o site e ler o artigo antes de concluir este laboratório, embora não seja obrigatório.

Como desenhar uma linha de melhor ajuste

Todos os dados fornecidos neste laboratório vêm originalmente do National Snow and Ice Data Center (NSIDC), localizado na University of Colorado, e podem ser baixados gratuitamente em nsidc.org. Você irá representar graficamente esses dados e desenhar uma “linha de melhor ajuste” através dos pontos para calcular a inclinação da linha e examinar as tendências nos dados. Um exemplo desse processo é mostrado abaixo.

Figura 2.

Instruções

Parte A - Dados originais

Os dois pontos de dados sobre a extensão do gelo marinho incluídos na Figura 2 foram obtidos a partir do artigo "Gelo do Mar Antártico de março de 2010 significativamente maior que 1980", publicado em um site chamado "Global Warming Hoax". Os dados, incluídos à esquerda do gráfico abaixo, são a extensão do gelo marinho da Antártica em milhões de quilômetros quadrados medidos em março de 1980 e 2010. Esses dados são precisos e consistentes com os dados que podem ser baixados do NSIDC . Para fazer isso, siga as instruções sobre como desenhar uma linha de melhor ajuste (acima). Nesse caso, as etapas dois e três são iguais e você pode calcular facilmente a inclinação usando os dados originais.

  1. Com base exclusivamente nos dados fornecidos e no gráfico, que conclusão se pode tirar sobre as mudanças climáticas? Explique.
  2. Usando o método ilustrado na Figura 1, qual é a inclinação da linha de melhor ajuste para esses dois pontos de dados? Mostre todo o seu trabalho.
  3. Mesmo que os dados acima sejam precisos, dê e explique duas razões pelas quais este conjunto de dados pode levá-lo a uma conclusão incorreta sobre a mudança climática global.
    1. Razão # 1:
    2. Razão # 2:

Figura 3. Extensão do gelo marinho

Parte B - Extensão Mar do Pólo Sul

Figura 4. Mapa da Antártica mostrando a extensão da calota polar e a extensão das plataformas de gelo flutuantes.

Na parte B, você explorará um conjunto de dados expandido da extensão do gelo marinho da Antártica medida durante março de 1980 a 2018, baixado do NSIDC. Apenas os anos pares são apresentados, mas a adição de anos ímpares não altera a tendência dos dados. Seguindo as instruções sobre como desenhar uma linha de melhor ajuste (acima), represente graficamente os dados, desenhe uma linha de melhor ajuste e calcule a inclinação da linha.

Extensão do Gelo - Hemisfério Sul
AnoExtensão do gelo, milhões de quilômetros quadrados
19803.29
19824.29
19843.61
19863.7
19883.97
19903.97
19923.57
19944.55
19964.18
19984.11
20004.09
20023.75
20044.53
20063.21
20085.28
20103.85
20124.55
20144.9
20164.07
20183.53

Figura 5. Extensão do gelo marinho no hemisfério sul medida em milhões de quilômetros quadrados

  1. Qual é a inclinação da linha de melhor ajuste que você estimou para esse conjunto de dados? Mostre todo o seu trabalho.
  2. O que esses dados dizem sobre como a extensão do gelo marinho está mudando no hemisfério sul? Como seu resultado para o conjunto de dados estendido se compara aos resultados dos dados apresentados no artigo apresentado na Parte A?
  3. O que você pode dizer sobre a variabilidade dos dados, ou a amplitude do intervalo que os pontos de dados cobrem, entre os anos anteriores e os anos posteriores no gráfico?
  4. Ofereça uma sugestão de por que a variabilidade na extensão do gelo marinho mudou entre 1980 e 2018.

Parte C - Extensão do Gelo Marinho do Pólo Norte

Figura 6. Mapa da Groenlândia mostrando a extensão da calota polar.

A seguir, examinaremos os padrões de extensão de gelo da camada de gelo polar do norte do Ártico, localizada na Groenlândia. Os dados da extensão do gelo são de março de 1980 a 2018 para anos pares, também baixados do NSIDC. Novamente, aqui você representará graficamente os dados, desenhará uma linha de melhor ajuste e calculará a inclinação da linha.

Extensão do Gelo - Hemisfério Norte
AnoExtensão do gelo, milhões de quilômetros quadrados
198016.04
198216.04
198415.58
198615.91
198815.96
199015.87
199215.48
199415.55
199615.12
199815.6
200015.22
200215.35
200414.99
200614.42
200815.18
201015.14
201215.2
201414.76
201614.4
201814.3

Figura 7. Extensão do gelo marinho no Hemisfério Norte medida em milhões de quilômetros quadrados

  1. Qual é a inclinação da linha de melhor ajuste que você estimou para esse conjunto de dados? Mostre todo o seu trabalho.
  2. O que esses dados dizem sobre como a extensão do gelo marinho está mudando no hemisfério norte? Como o seu resultado para o Pólo Norte se compara ao do Pólo Sul (Parte B)?
  3. Explique por que você pode ver uma tendência diferente, ou inclinação da linha de melhor ajuste, ao comparar os dados da extensão do gelo marinho entre os hemisférios norte e sul.

Conteúdo licenciado CC, Original

  • Tarefa do módulo 15: Mudanças na extensão do gelo marinho nos pólos. De autoria de: Anne Huth.

    O papel da perda de gelo marinho de Barents-Kara nas mudanças projetadas do vórtice polar

    O vórtice polar estratosférico do hemisfério norte (SPV) desempenha um papel fundamental no clima e nas latitudes médias. No entanto, de que forma o SPV responderá ao aquecimento global não está claro, com modelos climáticos discordando sobre o sinal e a magnitude da mudança de força do SPV projetada. Aqui, abordamos o papel potencial da perda de gelo marinho de Barents e Kara (BK) nisso. Fornecemos evidências de uma resposta não linear do SPV à mudança de temperatura média global, que é coincidente com o momento em que os mares de BK se tornam livres de gelo. Usando uma abordagem de rede causal, demonstramos que os modelos climáticos mostram algum suporte parcial para a ligação proposta anteriormente entre o gelo marinho de baixo BK no outono e um SPV de inverno enfraquecido, mas que este efeito é plausivelmente muito pequeno em relação à variabilidade interna. No entanto, dada a redução dramática esperada no gelo marinho no futuro, mesmo um pequeno efeito causal pode explicar todo o enfraquecimento SPV médio do conjunto projetado, aproximadamente metade do conjunto espalhado em meados do século 21, e um - terço da propagação no final do século. Finalmente, notamos que a maioria dos modelos tem quantidades irrealistas de gelo marinho BK, o que significa que sua resposta SPV à perda de gelo é irreal. O ajuste de polarização para este efeito leva a diferenças pronunciadas na resposta de SPV de modelos individuais em ambas as extremidades do espectro, mas não tem consequências fortes para a média e a propagação do conjunto geral. No geral, nossos resultados indicam a importância de explorar todas as implicações plausíveis de uma mudança no Ártico para as avaliações de risco climático regional.

    O vórtice polar estratosférico (SPV), uma banda de ventos ocidentais de rápida formação durante o inverno boreal, é um componente central da circulação atmosférica do Hemisfério Norte (Waugh et al., 2016). A variabilidade na força do vórtice não está apenas ligada às concentrações de ozônio estratosférico, mas, devido ao acoplamento descendente com a troposfera, também afeta fortemente o clima de latitudes médias. Em particular, os estados extremos do SPV são conhecidos por influenciar a fase e a persistência da Oscilação do Atlântico Norte (NAO) e as trilhas de tempestades e regimes climáticos associados (Baldwin e Dunkerton, 2001 Kidston et al., 2015).

    Compreender as mudanças potenciais no SPV em resposta ao aquecimento global é, portanto, de grande relevância científica e social. Se o vórtice se fortalecer, por exemplo, a precipitação no Mediterrâneo deve diminuir fortemente, enquanto os dias de tempestades extremas no norte da Europa devem aumentar (Simpson et al., 2018 Zappa e Shepherd, 2017). Por outro lado, se o vórtice enfraquecer, o ritmo de secagem do Mediterrâneo provavelmente será mais moderado e as mudanças nas tempestades menos pronunciadas.

    No entanto, é altamente incerto como o SPV responderá a um clima cada vez mais quente. Embora a média do conjunto de vários modelos da Fase 5 do Projeto de Intercomparação de Modelo Acoplado (CMIP5) no cenário RCP8.5 sugira um enfraquecimento moderado no final do século 21, há uma grande disseminação entre os modelos e nenhum acordo sobre o sinal de mudança (Manzini et al., 2014 Wu et al., 2019). Isso continua sendo um problema no CMIP6 (Ayarzagüena et al., 2020).

    Essa propagação não é apenas atribuível a diferentes resoluções verticais e tampas de modelo, mas foi especulado que depende de parametrizações de onda distintas e processos dinâmicos representados de forma diferente (Karpechko e Manzini, 2017 Sigmond e Scinocca, 2010 Wu et al., 2019). Vários mecanismos potenciais que influenciam a força SPV foram relatados neste contexto, como El Niño – Oscilação Sul (ENSO) ou bloqueio de alta latitude (Domeisen et al., 2018 Martius et al., 2009 Nishii et al., 2010 Peings, 2019 ), mas sua importância relativa e seu papel em um clima em mudança não são bem compreendidos (Shepherd, 2014 de Vries et al., 2013). No geral, a futura mudança do vórtice polar permanece completamente indefinida.

    Recentemente, Manzini et al. (2018) relataram uma resposta não linear do SPV ao aquecimento médio global em um grande conjunto de modelo único e hipotetizaram que está relacionado à perda de gelo do mar Ártico. Mais precisamente, o SPV foi proposto para enfraquecer enquanto as concentrações de gelo marinho de Barents e Kara (BK-SIC) diminuíssem, mas para se fortalecer novamente quando os mares de BK estivessem livres de gelo (Manzini et al., 2018).

    Motivados por seus resultados, avaliamos aqui o papel da perda de gelo marinho BK para futuras mudanças de SPV no conjunto CMIP5. Embora a questão de saber se a perda de gelo do mar Ártico contribuiu para o episódio recente de eventos de vórtice fraco (e surtos de ar frio associados sobre a Eurásia) é uma área ativa de pesquisa (Kim et al., 2014 Kretschmer et al., 2016, 2018 McCusker et al., 2016 Seviour, 2017 Sun et al., 2016), o potencial de diminuir o gelo do mar Ártico, e de BK-SIC em particular, para enfraquecer o SPV em escalas de tempo mais longas foi mostrado em vários experimentos de modelo direcionados (Blackport e Kushner, 2017 Hoshi et al., 2017 McKenna et al., 2017 Nakamura et al., 2016 Screen, 2017a, b Sun et al., 2015 Zhang et al., 2018a, b). De que forma a futura perda de gelo marinho BK afetará o SPV não está claro (McKenna et al., 2017 Sun et al., 2015). Em geral, o modelo conflitante e os resultados observacionais dominaram o debate científico (Cohen et al., 2020 Screen et al., 2018), com alguns destacando uma provável influência pequena e estatisticamente insignificante do gelo marinho na força SPV (Garfinkel et al., 2017 Seviour, 2017) e em clima de latitude média (Blackport et al., 2019 Blackport e Screen, 2020) em comparação com a variabilidade natural. Como o declínio do gelo do mar Ártico em um clima de aquecimento é certo (IPCC, 2014 Notz e Stroeve, 2018), a compreensão dos impactos potenciais na força futura do SPV é crucial e constitui o objetivo da presente análise.

    Usamos resultados mensais de 35 modelos CMIP5 (ver legendas na Fig. 4) para os quais os dados estão disponíveis para nossos propósitos. Para cada modelo, as simulações históricas (1900–2005) e RCP8.5 (2005–2099) do mesmo membro do conjunto são concatenadas para produzir um registro de tempo contínuo nos campos analisados. Todos os membros do conjunto disponíveis são considerados separadamente ao analisar as séries temporais, e seu número por modelo é relatado no x eixo da Fig 4. Para todas as outras análises, a média sobre os membros do conjunto disponíveis por modelo é calculada primeiro.

    Para observações da concentração de gelo marinho, usamos a versão mais recente (HadISST.2.2.0.0) da versão 2 do conjunto de dados HadISST.2 do Hadley Center sobre o gelo marinho e a temperatura da superfície do mar (Titchner e Rayner, 2014). Observe que este produto de gelo marinho fornece uma estimativa bastante conservadora do gelo marinho mensal, em particular tendo concentrações médias mais altas em comparação com HadISST.1. Para todas as outras variáveis, usamos médias mensais de dados de reanálise ERA5 como uma medida para observações (Hersbach et al., 2020). A análise das observações é realizada durante o período 1979–2018.

    As séries temporais são construídas pela média da área sobre as respectivas regiões, em que incluímos as concentrações de gelo marinho de Barents e Kara (BK-SIC) sobre a região (65-85 ∘ N e 10-100 ∘ E) (Screen, 2017a) e o mar pressão de nível sobre a região dos Montes Urais (Ural-SLP 45–70 ∘ N e 40–85 ∘ E) (Kretschmer et al., 2016) e sobre o Pacífico Norte (NP-SLP 30–65 ∘ N e 160–220 ∘ E) (Trenberth e Hurrell, 1994). Como um proxy para o fluxo de atividade das ondas verticais, calculamos o fluxo de calor turbilhonar polar ( vT ) a 100 hPa em média acima de 50–80 ∘ N (Hoshi et al., 2017). Mais precisamente, os desvios médios zonais dos ventos meridionais médios mensais e da temperatura em 100 hPa em cada ponto da grade são primeiro multiplicados e, em seguida, a média espacial é calculada. Para descrever o vórtice polar estratosférico (SPV), seguimos Wu et al. (2019) e calcule a velocidade zonal média do vento acima de 60–75 ∘ N, mas a 20 hPa em vez de 10 hPa.


    2.1 Descrição do modelo ACCESS-ESM1.5

    ACCESS-ESM1.5 (Ziehn et al., 2020) é uma versão atualizada do ACCESS-ESM1 (Law et al., 2017). As diferenças entre ACCESS-ESM1.5 e ACCESS-ESM1 são relativamente pequenas, com a maioria das mudanças relacionadas à superfície da terra e ao modelo do oceano.

    mesa 2Componentes do modelo do ACCESS-ESM1.5.

    O componente atmosférico do ACCESS-ESM1.5 é o UK Met Office Unified Model versão 7.3 (UM7.3 Martin et al., 2010 The HadGEM2 Development Team et al., 2011), mas com o modelo Community Atmosphere Biosphere Land Exchange ( CABLE2.4 Kowalczyk et al., 2013) como modelo de superfície terrestre (Tabela 2). O componente do oceano é o NOAA / GFDL Modular Ocean Model versão 5 (MOM5 Griffies, 2014) com a mesma configuração do componente do modelo do oceano do ACCESS1.0 e ACCESS1.3 (Bi et al., 2012). O gelo marinho é simulado usando o modelo LANL CICE4.1 (Hunke e Lipscomb, 2010), que possui a mesma grade horizontal do oceano com cinco classes de espessura. O acoplamento do oceano e do gelo marinho à atmosfera é obtido por meio do acoplador OASIS-MCT (Valcke, 2013). A configuração do modelo de clima físico usado aqui é semelhante ao modelo ACCESS1.3, que contribuiu para o Coupled Model Intercomparison Project Fase 5 (CMIP5) (Bi et al., 2012). As resoluções espaciais dos componentes do modelo estão listadas na Tabela 2.

    O ciclo do carbono está incluído no ACCESS por meio do modelo de Nutriente, Fitoplâncton, Zooplâncton e Detrito (NPZD) WOMBAT (Modelo Oceano Mundial de Biogeoquímica e Dinâmica Trófica Oke et al., 2013), e por meio do modelo de superfície terrestre CABLE e seu módulo de biogeoquímica CASA -CNP (Wang et al., 2010), com CASA-CNP sendo executado com limitação de nitrogênio e fósforo.

    Na configuração CABO aplicada aqui, há um total de 13 tipos funcionais de planta (PFTs), incluindo 10 tipos com vegetação e 3 tipos sem vegetação (lago, gelo terrestre, solo descoberto). Para o gelo terrestre, CABLE não permite quantidades fracionárias, de modo que as células relevantes da grade devem ser todas gelo permanente, efetivamente limitando essas células à Groenlândia e à Antártica. CABLE calcula a produção primária bruta (GPP) e a respiração foliar em cada etapa de tempo usando um esquema de dossel de duas folhas (Wang e Leuning, 1998) como uma função do índice de área foliar (LAI). O IAF é calculado prognosticamente com base no tamanho do reservatório de carbono da folha e na área foliar específica. Aqui, o PFT é fixado de forma que a vegetação seja estática, mas o LAI é interativo.

    Vieses no ACCESS-ESM1.5 são discutidos em Ziehn et al. (2020). No verão boreal, a Índia e a América do Norte mostram sinais de um viés quente, com um viés seco sobre a Índia. No verão austral, há tendências quentes sobre as regiões equatoriais na América do Sul e na África. Em comparação, os desvios de temperatura e precipitação da Austrália são muito pequenos.


    Referências

    Rudels, B. em O Ártico e a Mudança Ambiental (eds Wadhams, P., Dowdeswell, J.A. & amp Schofield, A.N.) 87-99 (Gordon e Breach, 1996).

    Dieckmann, G. S. & amp Hellmer, H. H. em Gelo Marinho (eds Thomas, D. N. & amp Dieckmann, G. S.) 1-21 (Blackwell, 2003).

    Severinghaus, J. P. & amp Brook, E. J. Mudanças climáticas abruptas no final do último período glacial inferido do ar aprisionado no gelo polar. Ciência 286, 930–934 (1999).

    Koç, N., Jansen, E. & amp Haflidason, H. Reconstruções paleoceanográficas das condições da superfície do oceano nos mares da Groenlândia, Islândia e Noruega ao longo dos últimos 14 kyr com base em diatomáceas. Quat. Sci. Rev. 12, 115–140 (1993).

    Andersen, C., Koç, N., Jennings, A. & amp Andrews, J. T. Resposta não uniforme das principais correntes de superfície nos mares nórdicos à força de insolação: Implicações para a variabilidade climática do Holoceno. Paleoceanografia 19, PA2003 (2004).

    Belt, S. T. et al. Um novo fóssil químico de gelo marinho paleo: IP25. Org. Geochem. 38, 16–27 (2007).

    Massé, G. et al. Mudanças climáticas abruptas na Islândia durante o último milênio: evidências de reconstruções de gelo marinho em alta resolução. Planeta Terra. Sci. Lett. 269, 565–569 (2008).

    Volkman, J. K. et al. Biomarcadores microalgais: uma revisão dos desenvolvimentos de pesquisa recentes. Org. Geochem. 29, 1163–1179 (1998).

    Birgel, D. & amp Hass, H. C. Variações oceânicas e atmosféricas durante o último degelo no Estreito de Fram (Oceano Ártico): Um estudo orgânico-geoquímico e sedimentológico de alta resolução acoplado. Quat. Sci. Rev. 23, 29–47 (2004).

    Stein, R. & amp Fahl, K. Relatório científico do cruzeiro da expedição ártica ARK-XIII / 2 de RV Polarstern em 1997. Ber. Polarforsch. 255, 98–136 (1997).

    Nørgaard-Pedersen, N. et al. Oceano Ártico durante o Último Máximo Glacial: domínios atlânticos e polares da distribuição da massa de água superficial e cobertura de gelo. Paleoceanografia 18, 1063–1082 (2003).

    Andersen, E. S., Dokken, T. M., Elverhøi, A., Solheim, A. & amp Fossen, I. Sedimentação quaternária tardia e história glacial da margem continental ocidental de Svalbard. Mar. Geol. 133, 123–156 (1996).

    Mangerud, J. et al. Flutuações do manto de gelo marinho de Svalbard – Barents durante os últimos 150.000 anos. Quat. Sci. Rev. 17, 11–42 (1998).

    Sarnthein, M., Pflaumann, U. & amp Weinelt, M. Extensão passada de gelo marinho no norte do Atlântico Norte inferida de estimativas de paleotemperatura foraminiferal. Paleoceanografia 18, 1047–1058 (2003).

    Birgel, D. & amp Stein, R. em O Ciclo do Carbono Orgânico no Oceano Ártico (eds Stein, R. & amp MacDonald, G. M.) (Springer, 2004).

    Knies, J. & amp Stein, R. Novos aspectos da deposição de carbono orgânico e suas implicações paleoceanográficas ao longo da margem norte do Mar de Barents durante os últimos 30.000 anos. Paleoceanografia 13, 384–394 (1998).

    Smith, W. O. Jr, Baumann, M.E.M., Wilson, D. L. & amp Aletsee, L. Phytoplankton biomass and productividade na zona de gelo marginal do Estreito de Fram durante o verão de 1984. J. Geophys. Res. 92, 6777–6786 (1987).

    Birgel, D., Stein, R. & amp Hefter, J. Aliphatic lipids in recent sediment of the Fram Strait / Yermak Plateau (Ártico): composição, fontes e processos de transporte. Mar. Chem. 88, 127–160 (2004).

    Knies, J., Vogt, C. & amp Stein, R. Crescimento tardio do Quaternário e decadência do manto de gelo do Mar de Svalbard / Barents e evolução paleoceanográfica no Oceano Ártico adjacente. Geo-Mar. Lett. 18, 195–202 (1999).

    Stein, R. Sedimentos do Oceano Ártico: Processos, Proxies e Paleoambiente (Elsevier, 2008).

    Knies, J., Kleiber, H.-P., Matthiessen, J., Müller, C. & amp Nowaczyk, N. Registros de detritos marinhos transportados por gelo restringem a extensão máxima dos mantos de gelo Saalian e Weichselian ao longo da margem norte da Eurásia. Glob. Planeta. Mudar 31, 45–64 (2001).

    Grootes, P. M., Stuiver, M., White, J. W. C., Johnsen, S. & amp Jouzel, J. Comparison of oxigen isotope records from the GISP2 and GRIP Greenland ice core. Natureza 366, 552–554 (1993).

    Wollenburg, J. E., Knies, J. & amp Mackensen, A. Flutuações de paleoprodutividade de alta resolução durante os últimos 24 kyr como indicado por foraminíferos bentônicos no Oceano Ártico marginal. Palaeogeogr. Palaeoclimatol. Palaeoecol. 204, 209–238 (2004).

    Bondevik, S., Mangerud, J., Birks, H. H., Gulliksen, S. & amp Reimer, P. Alterações nas idades do reservatório de radiocarbono do Atlântico Norte durante o Allerød e Younger Dryas. Ciência 312, 1514–1517 (2006).

    Bradley, R. S. & amp England, J. H. The Younger Dryas e o mar de gelo antigo. Quat. Res. 70, 1–10 (2008).

    Slubowska-Woldengen, M. et al. Reconstruções temporais das mudanças na circulação do oceano na plataforma continental nos mares nórdico e de Barents durante os últimos 16.000 anos cal AP. Quat. Sci. Rev. 27, 1476–1492 (2008).

    Hald, M. et al. Variações na temperatura e extensão da Água Atlântica no norte do Atlântico Norte durante o Holoceno. Quat. Sci. Rev. 26, 3423–3440 (2007).

    Kleiven, H. F. et al. Redução do coeval de águas profundas do Atlântico Norte com a erupção de água doce do Lago Glacial Agassiz. Ciência 319, 60–64 (2008).

    Hebbeln, D., Dokken, T., Andersen, E. S., Hald, M. & amp Elverhøi, A. Fornecimento de umidade para o crescimento do lençol de gelo do norte durante o Último Máximo Glacial. Natureza 370, 357–360 (1994).

    Steinsund, P. I. & amp Hald, M. Dissolução recente do carbonato de cálcio no Mar de Barents: aplicações paleoceanográficas. Mar. Geol. 117, 303–316 (1994).


    3.3 Estado de gelo em um contexto global

    Para ajudar a colocar o estado de gelo e sua evolução em um contexto mais amplo, consideramos a evolução da temperatura média global próxima à superfície para os modelos (Fig. 3). Comparamos esses dados do modelo com a temperatura média anual para os anos de 1960 a 2019 calculada a partir do conjunto de dados observacionais HadCRUT4.6.0.0 (https://www.metoffice.gov.uk/hadobs/hadcrut4/, último acesso: 23 de julho de 2020, Morice et al., 2012). A maioria dos modelos considerados aqui estão aquecendo mais rapidamente do que as observações sugerem. O aquecimento médio para 2014–2019 em relação a 1960–1989 varia de 0,6 a 1,4 ∘ para os modelos, em comparação com o intervalo de confiança de 95% observado de 0,6 a 0,8 ∘. No final do século 21, o aquecimento relativo à média de 1960-1989 varia de 3,9 a 7,2 ∘. Os modelos com maior diminuição da área de gelo de março no final do século 21 tendem a ser aqueles com maior aumento da temperatura média global.

    Figura 3Evolução da temperatura média global média anual próxima à superfície para os modelos CMIP6 e o ​​conjunto de dados observacionais HadCRUT4 (Morice et al., 2012). Os valores são relativos à média de 1960-1989 em cada caso.

    Um estudo recente de 40 modelos CMIP6 (SIMIP Community, 2020) descobriu que a maioria (29 de 40) simula uma redução muito pequena na área de gelo marinho por grau de aquecimento, então sua sensibilidade ao gelo marinho é muito baixa. Como resultado, muito poucos dos modelos simulam uma taxa plausível de perda de gelo do mar e uma taxa plausível de aquecimento global. Dos modelos CMIP6 envolvidos em nosso estudo, os seguintes modelos foram relatados pela Comunidade SIMIP (2020) como capturando ambos: ACCESS-CM2, GFDL-ESM4, MRI-ESM-2.0 e NorESM2-MM, embora seja importante notar que este cálculo usamos apenas o primeiro membro do ensemble para cada modelo, enquanto em nosso estudo usamos vários membros do ensemble para alguns dos modelos (Tabela 1). Este subconjunto de modelos está entre aqueles com o menor aumento de temperatura até o final do século 21 na Fig. 3.

    Agora consideramos o balanço de massa do gelo do mar Ártico, conforme definido na Seção. 2 e também em Notz et al. (2016). Começamos observando os dados do modelo para um período de referência 1960-1989, escolhido como um momento em que a cobertura e a massa de gelo são relativamente estáveis. Observe que este não é o mesmo período de tempo usado para a área e massa do gelo na Fig. 1, que foi escolhido para cobrir um período com mais dados observacionais. Primeiro consideramos o orçamento médio de vários modelos e, em seguida, examinamos as diferenças entre os modelos.


    2.4 Processos que impactam euvar

    Em nosso modelo, existem quatro maneiras em que a distribuição do tamanho do floe pode ser perturbada: derretimento lateral, quebra dos floes pelas ondas do oceano, advecção dos floes e restauração devido ao congelamento. Alterações em euvar impactar todo o FSD através do fator de distribuição de número floe, C , que também é função de euvar , conforme definido na Eq. (9). Observe que C também é uma função da concentração de gelo marinho e, portanto, para processos como o derretimento lateral, as mudanças em ambos euvar e UMA irá contribuir para mudanças na distribuição do número floe. Deve-se notar aqui que o modelo WIPoFSD não se destina a representar o impacto dos processos físicos sobre os detalhes da distribuição do tamanho do floe; na verdade, não é possível fazê-lo em uma estrutura onde uma lei de potência é imposta. Em vez disso, o impacto dos diferentes processos considerados aqui é representado por meio de parametrizações, aqui expressas em termos da variável do modelo, euvar .

    Como o derretimento lateral envolve a perda de volume de gelo das laterais dos floes, pode-se esperar que reduza o tamanho do floe. Para representar isso no modelo, definimos a redução em l var 2 do derretimento lateral para ser proporcional à redução em UMA , a concentração de gelo marinho, do derretimento lateral:

    Se nós então expressarmos UMAfinal em termos de UMAinicial e ΔUMAlm , a redução na concentração de gelo marinho do derretimento lateral, obtemos

    O ato de reduzir euvar sozinho age para redistribuir a área de gelo marinho atribuída a blocos maiores que euvar para floes menores que euvar . No entanto, a mudança em UMA também atua de forma independente para reduzir C , como descrito acima. O efeito combinado é diminuir o número de floes em toda a distribuição. Estudos anteriores, como o de Horvat e Tziperman (2017), mostraram que o derretimento lateral causa maior desvio da lei de potência para floes menores do que floes maiores. No entanto, o derretimento lateral também resulta em floes menores do que dmin isso contribuirá para um derretimento lateral ainda maior em relação ao tamanho do floe. Portanto, o comportamento desse esquema de fusão lateral compensa essas duas mudanças esperadas na distribuição.

    A seção 2.4 descreve as condições necessárias para desencadear o desmembramento de floes por ondas. Se essas condições forem atendidas, euvar é atualizado de acordo com a seguinte expressão:

    Onde λC é o comprimento de onda representativo, conforme definido na Seção 2.2. Aqui euvar pode ser considerada uma escala de comprimento de fragmentação, definindo a transição de um regime onde os floes são quebrados por ondas para um regime onde o número de floes está aumentando devido a esta quebra de floes maiores.

    Existem três processos considerados os principais condutores da formação e crescimento do floe durante as condições de congelamento: crescimento lateral, soldagem de floes e formação de novos floes (Roach et al., 2018a). O foco deste estudo está no derretimento sazonal e fragmentação do gelo marinho, em vez da evolução do inverno, portanto, um esquema simples de restauração de crescimento de floe é usado. Durante as condições em que o modelo identifica o crescimento do gelo no Brasil, euvar é restaurado ao seu valor máximo de acordo com a seguinte expressão:

    Onde Trel é um tempo de relaxamento que se relaciona com a rapidez com que se espera que os blocos de gelo cresçam para cobrir toda a área de células da grade. É definido como 10 d como padrão. Em células de grade que passam de sem gelo para ter uma cobertura de gelo do mar, euvar é iniciado com seu valor mínimo, ou seja, dmin . O comportamento da distribuição de número floe completo não depende apenas de euvar mas também em UMA , a concentração de gelo marinho. Durante os períodos de congelamento, quando a concentração de gelo marinho aumenta significativamente, ambos C e euvar aumentará em valor, levando a aumentos na densidade numérica em todos os tamanhos de floes. Isso é consistente com um cenário em que muitos novos floes estão sendo formados. Durante os períodos de congelamento em que a concentração de gelo marinho não aumenta significativamente (por exemplo, quando a fração de área de gelo marinho já está perto de 1), então euvar vai aumentar e C diminuirá. Isso representa uma mudança na distribuição de floes menores para floes maiores. Corresponde fisicamente a um cenário em que a soldagem floe é o processo dominante que conduz as mudanças no FSD.

    euvar é transportado usando o esquema de remapeamento horizontal com uma equação de transporte conservadora, o padrão dentro do CICE para rastreadores de área de gelo (Hunke et al., 2015). Uma alteração ao esquema usual envolve o cálculo de uma média ponderada do euvar sobre as categorias de espessura do gelo após a advecção e a subsequente redistribuição mecânica. Isso é necessário porque o rastreador não é definido independentemente para cada categoria de espessura, ao contrário de outros campos do rastreador. É útil comentar aqui a escolha do esquema de advecção. Em primeiro lugar, as propriedades que escalam até a raiz da área de gelo marinho, como o diâmetro do floe, não podem ser advectadas como um traçador de área. Em segundo lugar, foi demonstrado que as propriedades normalizadas ou médias relacionadas ao FSD também não advogam como uma propriedade de área conservada (Horvat e Tziperman, 2017). Aqui, euvar é um parâmetro atribuído a áreas de gelo marinho para representar a história anterior dessa área de gelo marinho em termos de processos que podem afetar o FSD. euvar não é um parâmetro atribuído a floes individuais e é calculado de forma independente para o FSD e não é uma propriedade de diagnóstico calculada a partir da distribuição. Portanto, é apropriado tratar euvar como um rastreador de área de gelo.

    Vale a pena comentar aqui sobre as limitações da abordagem de modelagem para o tamanho do floe usada neste estudo. O uso de uma distribuição de lei de potência com um expoente fixo para descrever o FSD é uma simplificação valiosa para explorar o impacto do tamanho do floe no gelo marinho do Ártico. O traçador euvar é uma ferramenta de modelo interno usada para permitir parametrizações de como os processos individuais impactam o FSD dentro desta estrutura restrita. As parametrizações descritas nesta seção são necessariamente aproximações de como esses processos podem impactar o FSD e não devem ser consideradas descrições físicas exatas.

    Nossa versão modificada do CICE é executada em um domínio pan-ártico com uma grade 1 1 tripolar (129 × 104). O forçamento de superfície é derivado dos campos de reanálise do NCEP-2 de 6 horas (Kanamitsu et al., 2002). As propriedades da camada mista são restauradas ao longo de uma escala de tempo de 5 d para uma reanálise climatológica mensal a 10 m de profundidade obtida do produto de reanálise física do oceano global MyOcean (MYO reanalysis Ferry et al., 2011). Esta restauração é necessária para representar efetivamente a advecção dentro da camada mista. A pós-drenagem do oceano profundo retém as propriedades das camadas mistas, no entanto, é restaurada ao longo de uma escala de tempo de 90 dias para a climatologia de inverno (aqui significando a média das condições de 1º de janeiro de 1993 a 2010) da reanálise de MYO.

    Todas as simulações são feitas entre 1 de janeiro de 1990 e 31 de dezembro de 2004, usando a configuração padrão descrita na Seção 2.1 com um tamanho de floe constante de 300 m (sem o modelo WIPoFSD incluído). As simulações são iniciadas em 1 de janeiro de 2005 usando a saída do spin-up e avaliadas por 12 anos até 31 de dezembro de 2016. Os resultados são todos retirados do período de 2007-2016 para permitir 2 anos para o modelo se ajustar à adição do WIPoFSD modelo. Uma corrida de referência também é avaliada durante este período usando a configuração padrão e um tamanho de floe constante de 300 m. A Figura 2 mostra que este modelo simula a extensão mensal climatológica do gelo marinho de forma realista para este período. Todas as outras simulações são avaliadas no mesmo período de tempo usando o mesmo estado do modelo inicial, porém com o modelo WIPoFSD imposto. Algumas simulações têm modificações adicionais feitas no modelo conforme descrito.

    Figura 2Comparação do ciclo médio de 2007-2016 para a extensão total do gelo do mar Ártico simulado na configuração de referência de camada mista de prognóstico CICE (marcada CICE-ML, fita vermelha, sólido) com os resultados do modelo CPOM CICE otimizado padrão (Schröder et al., 2019, marked CICE-schro, blue ribbon, small dashes) and observed sea ice extent derived from Nimbus-7 SMMR and DMSP SSM/I–SSMIS satellites using Bootstrap algorithm version 3 (Comiso, 1999, marked Observations , green ribbon, large dashes). The ribbon shows, in each case, the region spanned by the mean value plus or minus 2 times the standard deviation for each simulation. This gives a measure of the interannual variability over the 10-year period. Results show the new model performs either comparably to or better than the previous optimum set-up throughout the year. In addition, the mean CICE–ML sea ice extent falls within the interannual variability of the observations between June and December, i.e. most of the melting season, suggesting this reference state is suitable for studies focusing on this period.

    Results are presented for the pan-Arctic domain with a focus on the melting season. All plots compare the mean behaviour over 10 years from 2007 to 2016 against the reference simulation, referred to as ref, which uses a constant floe size of 300 m. The results for 2005 and 2006 are discarded to allow 2 years for the model to adjust to the imposed FSD. In this study we are trying to understand the impact of the FSD and associated processes on the seasonal sea ice loss. The years 2007–2016 have been selected as the baseline for these simulations as they will capture the current climatology of the Arctic, including the record September minimum sea ice extent observed in 2012.


    1 Introduction

    Monitoring sea ice is important to observe and understand global climate processes and their changes, due to the dynamic role that sea ice plays in the physics of the Earth's climate, not least in altering the Earth's albedo (Stroeve et al., 2011 ). As a key element of the climate system, sea ice also affects the ocean circulation and weather (Comiso et al., 2003 ). From a practical perspective, there is also interest in detecting and mapping sea ice for maritime operations such as exploitation of oil and gas reserves and to determine possible shipping routes, especially in the Arctic (Bird et al., 2008 ).

    Global Navigation Satellite Systems Reflectometry (GNSS-R) uses reflected microwave navigation signals (L-Band from GPS or similar systems) to characterize the reflective surface and was first proposed in 1988 (Hall & Cordey, 1988 ). This technique is at present largely used to study winds over the ocean (e.g., Clarizia & Ruf, 2016 Foti et al., 2015 Foti et al., 2017 Ruf & Balasubramaniam, 2018 ). However, other Earth observation applications, such as ice sheet and ocean altimetry (e.g., Cardellach et al., 2004 Cartwright et al., 2018 Clarizia et al., 2016 ), the monitoring of soil moisture (Chew et al., 2016 ), and the cryosphere (e.g., Belmonte Rivas et al., 2010 Gleason, 2006 ), are also being investigated. Cryospheric applications include the detection and altimetry of sea ice (e.g., Alonso-Arroyo et al., 2017 Hu et al., 2017 Li et al., 2017 Yan & Huang, 2016 ), the altimetry of glacial ice (e.g., Cardellach et al., 2004 Cartwright et al., 2018 Rius et al., 2017 ), and permittivity of reflective surfaces (Belmonte Rivas et al., 2010 Fabra et al., 2012 ). The use of these signals of opportunity and the need only for a receiver in space mean that GNSS-R is an extremely low-cost and, being a passive system, low-power method of remote sensing. Combined with the low mass of the sensor itself, this makes the approach ideal for applications in constellation missions, as in the case of CYGNSS (Cyclone GNSS), launched in 2016, for monitoring of tropical cyclone winds (Ruf et al., 2013 ). The eight CYGNSS microsatellites achieve an average revisit time of 4 hr (Ruf et al., 2013 ). Such a high temporal resolution, combined with the spatial coverage enabled by this quantity of measurements, would allow the monitoring of the dynamic sea ice system. However, the low inclination (35°) orbit of the CYGNSS satellites means that they cannot be used to monitor sea ice. A similar system for cryosphere applications (G-TERN) has been proposed (Cardellach et al., 2018 ). In orbit and operational until recently, TechDemoSat-1 (TDS-1) carries a GNSS-R receiver and is in a high inclination orbit (98.4°). Data from it can be used to detect sea ice, and thus, these data are the focus of this paper.

    Previous studies (Alonso-Arroyo et al., 2017 Rivas et al., 2010 Yan et al., 2017 Yan & Huang, 2016 Zhu et al., 2017 ) have been shown to correctly distinguish between sea ice and open ocean in up to 98.4% of cases in the detection of sea ice compared to colocated passive microwave data. However, these studies were limited in scope, examining small subsets of TDS-1 observations only. This study builds upon and extends these previous studies by developing and applying a new method of sea ice detection to the complete data set collected during the initial mission of TDS-1. In what follows, section 2 discusses the satellite, the sensor, and the data used and then section 3 describes the sea ice detection methods tested. Section 4 validates the results of the algorithm against the most recent ESA CCI (European Space Agency Climate Change Initiative) sea ice concentration product (Toudal Pedersen et al., 2017 ) as well as the National Snow and Ice Data Centre (NSIDC) sea ice concentration product (Cavalieri et al., 1996 ), Ocean and Sea Ice Satellite Application Facility (OSI SAF) ice edge product (Breivik et al., 2012 OSI SAF, n.d. ), and Multisensor Analyzed Sea Ice Extent (MASIE) operational ice edge product (Fetterer et al., 2010 ). The likely sources of differences are then discussed. Conclusions of the study and a discussion of the future potential of GNSS-R for sea ice monitoring are given in section 5.


    I've had trouble finding a direct reference that talks about global sea ice. Por quê? Researchers treat the Arctic sea ice and Antarctic sea ice quite differently. Adding the two amounts together to look at global trends, as the Mail Online suggests, doesn't seem to be sensible.

    The US National Snow and Ice Data Center (NSIDC) have a page explaining the differences in the sea ice in the two regions, including surrounding landmasses, prevailing wind-patterns, shape and thickness, and the lifecycle of the ice.

    While the data on this page is somewhat dated, it also explains the difference in the trends.

    500,000 km2 193,000 mi2) per decade

    100,000 km2 39,000 mi2) per decade

    From comparing these two numbers can see the area of the ice is decreasing. [Ooh! Be careful. Some simple original research, because scientists don't seem to find this comparison useful.] We also know that the typical thickness in the Antarctic is lower, so the trend in the overall volume of sea ice is dropping. (I haven't ruled out an short-term increase the patterns are quite variable each year.)

    The NSIDC Sea Ice Index tool provides more up-to-date data to cross-check these trends.

    From their graphs, we can see Antarctic Sea Ice is increasing from a (1981-2010) mean of 13.9 million sq km by 1.7% per decade, while Arctic Sea Ice is decreasing from a similar mean of 11.9 million sq km by 3.6% per decade. The decrease outweighs the increase.

    Addressing some of the other concerns in the Online Mail article, the NSIDC FAQ agrees that there is less attention of Antarctic Sea Ice

    NSIDC scientists do monitor sea ice in the Antarctic, and sea ice in the Antarctic is of interest to scientists worldwide. While many have published peer-reviewed journal articles on the topic, it has received less attention than the Arctic.

    The FAQ goes on to explain that

    Climate model projections of Antarctic sea ice extent are in reasonable agreement with the observations to date.

    and how wind pattern changes in the area are driving the increase, and that the additional sea ice will not have a large impact on the the climate system.

    Of course, if polar bear habitat is your concern, Antarctic Sea Ice extent is irrelevant.

    The satellite observations for the Arctic and Antarctic are available from the National Snow and Ice Data Centre (NSIDC).

    Here is a plot of June Arctic, Antarctic and Global sea ice extent:

    and June Arctic, Antarctic and Global sea ice area:

    That I generated directly from those observations (using a MATLAB script).

    The trend in global sea ice extent is clearly downwards over the period covered by the satellite observations, however there is some year to year variability (noise), which means that it is possible to find a start year where the current extent is higher than it was in some previous year. However that is not valid form of statistical analysis, it is just cherry picking.

    Note the summer melting season for the Arctic is the winter ice forming season for the Antarctic. It might be more instructive to look at the annual means for both hemispheres or the annual minima/maxima instead. However, that would be more than a five minute job.

    @Oddthinking (+1) also makes the very good point that sea ice volume is probably a more relevant statistic if you are interested in the changes in sea ice.

    See also this question at the Geosciences SE, which is concerned with why there has been an increase in Antarctic sea ice, and one answer suggests that it may in part be due to melting of the Antarctic ice cap, which is feeding fresh water into the ocean surrounding Antarctica, which promotes the formation of sea ice (presumably due to the lower salinity). If this were the case, it doesn't really support the arguments being made in the article.

    I hope that @gracchus is beginning to notice a trend developing here. In most cases articles with hyperbolic claims that the worlds scientists are wrong are not borne out by even a cursory glance at the data (or often in the case of climate change, looking the issue up in the IPCC WG1 report to see if the worlds scientists actually are claiming what the article suggests, often they are not).

    It is often suggested that models do not predict an increase in Antarctic sea ice. However, one paper that does suggest this is Manabe et al. (note the publication date)

    Manabe, S., R. J. Stouffer, M. J. Spelman, K. Bryan, 1991: Transient Responses of a Coupled Ocean–Atmosphere Model to Gradual Changes of Atmospheric CO2. Part I. Annual Mean Response. J. Climate, 4, 785–818. (www)

    In the G integration, in which the atmospheric CO2 concentration is increased with time, the thickness of sea ice over the Arctic Ocean is reduced markedly from 3m to less than 1m during the 100-year period [DM: seems likely at this stage to be a rather optimistic prediction]. Owing to the reduction of sea ice, the exchange of hear between the oceanic water surface and overlying air increases, resulting in the large increase in surface air temperature over the Arctic Ocean [DM: note model predicts rapid warming of the Arctic region, hence the importance of including the Arctic region in order to avoid bias in estimating global mean surface temperatures, c.f. Cowtan and Way]. It is surprising, however, that the sea-ice thickness in the G integration increases significantly in the immediate vicinity of the Antarctic continent despite the increase in atmospheric carbon dioxide. This is consistent with the slight reduction of sea surface temperature mentioned earlier (fig reference). It will be shown in section 9a that, owing to the intensification of the near surface halocline caused by the increased supply of water at the ocean surface, the convective mixing of cold near-surface water with warmer underlying water becomes less frequent, resulting in the increase of sea ice and slight reduction of sea surface temperature.

    [emphasis mine, as are any transcription errors]

    I suspect there are other studies where other models give other results, which may not agree with this one. However Manabe et al does show that it would not be true to say that the increase in Antarctic sea ice was not predicted by model, nor that climate models cannot explain the increase in Antarctic sea ice - clearly Manabe's could!

    Addendum to the addendum:

    Whilst looking for some data on sea ice volume for Antarctica, I found the reason they were so hard to find is that they don't exist yet, however I did find a paper on model based estimation of thickness:

    Holland, Paul R., Nicolas Bruneau, Clare Enright, Martin Losch, Nathan T. Kurtz, Ron Kwok, 2014: Modeled Trends in Antarctic Sea Ice Thickness. J. Climate, 27, 3784–3801. (www)

    Resumo

    Unlike the rapid sea ice losses reported in the Arctic, satellite observations show an overall increase in Antarctic sea ice concentration over recent decades. However, observations of decadal trends in Antarctic ice thickness, and hence ice volume, do not currently exist. In this study a model of the Southern Ocean and its sea ice, forced by atmospheric reanalyses, is used to assess 1992–2010 trends in ice thickness and volume. The model successfully reproduces observations of mean ice concentration, thickness, and drift, and decadal trends in ice concentration and drift, imparting some confidence in the hindcasted trends in ice thickness. The model suggests that overall Antarctic sea ice volume has increased by approximately 30 km3 yr−1 (0.4% yr−1) as an equal result of areal expansion (20 × 103 km2 yr−1 or 0.2% yr−1) and thickening (1.5 mm yr−1 or 0.2% yr−1). This ice volume increase is an order of magnitude smaller than the Arctic decrease, and about half the size of the increased freshwater supply from the Antarctic Ice Sheet. Similarly to the observed ice concentration trends, the small overall increase in modeled ice volume is actually the residual of much larger opposing regional trends. Thickness changes near the ice edge follow observed concentration changes, with increasing concentration corresponding to increased thickness. Ice thickness increases are also found in the inner pack in the Amundsen and Weddell Seas, where the model suggests that observed ice-drift trends directed toward the coast have caused dynamical thickening in autumn and winter. Modeled changes are predominantly dynamic in origin in the Pacific sector and thermodynamic elsewhere.

    [emphasis mine]

    This would suggest that sea ice volume gain in Antarctica is subtantially less than the sea ice volume loss in the Arctic and hence there will be a global decline in sea ice volume. This would imply that the answer to the question "Is there more global sea ice than 35 years ago?", taken literally, is "no".


    2.3 Analysis of sea ice deformation characteristics

    Buoy position data were also used to estimate differential kinematic properties (DKPs) of the sea ice deformation field. The DKPs include divergence (div), shear (shr), and total deformation ( D ) rates of sea ice estimated within the area enclosed by any three buoys, as shown by Itkin et al. (2017). Following Hutchings and Hibler (2008), DKPs were calculated as follows:

    where ∂ u ∂ x , ∂ u ∂ y , ∂ v ∂ x , and ∂ v ∂ y are the strain components on an orthogonal geographical grid. Sea ice strain rate was only estimated for those buoy triangles with internal angles in excess of 15 ∘ and for ice speeds larger than 0.02 m s −1 to ensure a high accuracy (Hutchings et al., 2012). Total deformation D was used to characterize the spatial and temporal scaling laws as follows:

    Onde eu is the length scale, τ is the sampling interval, and β e α are spatial and temporal scaling exponents which indicate the decay rates of ice deformation in the spatial or temporal domains. These scaling laws can only indicate the fractal properties of the first moment of ice deformation because of the multi-fractal properties of ice deformation (e.g., Marsan et al., 2004 Hutchings et al., 2011, 2018). To estimate the spatial exponent β for the CHINARE buoy cluster, the length scale was divided into three bins of 5–10, 10–20, and 20–40 km because only a few samples were outside these bins. To estimate the temporal exponent α , the position data were resampled to intervals of 1, 2, 4, 8, 12, 24, and 48 h. Because the TICE buoy cluster was mostly ( >70 %) assigned to the 40–80 km bin, data from this cluster were not suitable for the estimation of the scale effect. A space–time coupling index, c , denoting temporal (spatial) dependence of the spatial (temporal) scaling exponent, can be expressed as

    Onde β0 is a constant. The areal localization index, δ15 % , was used to quantify the localization of the strongest sea ice deformation, defined as the fractional area accommodating the largest 15 % of the ice deformation in the research domain (Stern and Lindsay, 2009). O δ15 % was calculated for the 10–20 km length bin for the CHINARE buoy cluster, since this bin contained more samples to ensure a statistical rationality. To identify the influence of the temporal scale on the localization of ice deformation, all data were resampled to intervals of 1, 2, 4, 8, 12, 24, and 48 h.


    Scientists aim to fuse Earth data to help classify, map sea ice

    Earth-orbiting satellites and other instruments collect huge amounts of data, each providing a different lens through which scientists can map the environment. Some instruments measure reflections of visible light or radar waves, while others measure elevation.

    These diverse observations need to be harmonized and combined for studying the Earth’s surface. But the sheer size and differences in the data pose a challenge to this synchronization—one that researchers at the University of Colorado hope to tackle with the help of artificial intelligence (or AI).

    The researchers’ project, called “Harmonized Earth,” is led by Morteza Karimzadeh, assistant professor of geography at CU Boulder, and his collaborators at the National Ice and Snow Data Center (NSIDC) and CU Denver’s Department of Computer Science.

    Harmonized Earth recently won a three-year, $1.2 million grant from the National Science Foundation to create algorithms and cyber-infrastructure for harmonizing heterogeneous big-data products including satellite imagery and in situ, or on site, observations in a cloud computing environment.

    The technologies developed by the Harmonized Earth project are expected to be useful to a variety of applications including for climate change research as sea ice is a key indicator. For this NSF-supported effort, however, the focus will be on creating high-resolution maps of sea ice extent and thickness, a challenging scientific task, according to the researchers, due to the elusive and constantly changing nature of sea ice.

    With the increasing availability of high-resolution remote sensing products such as synthetic-aperture radar and lidar technology, there is a renewed desire for tackling this challenge, scientists note.

    However, bridging data science and geoscience together is key in successfully harnessing these large heterogeneous data for sea-ice mapping, Karimzadeh said, adding:

    “This project brings geospatial data scientists, geoscientists, and computer scientists to tackle this challenge using the state-of-the-art in machine learning and earth observations for seamless data fusion, machine learning and analysis.”

    Karimzadeh noted that one challenge to using AI to fuse data for sea-ice mapping is that AI relies on data labels created by humans.

    “Our goal is to create efficient infrastructure for minimal human effort in labeling these huge datasets across different types,” Karimzadeh said, adding: “The algorithms then ‘learn’ from these labels in an interactive manner.”

    Walt Meier, senior research scientist at NSIDC and a member of the research team, concurred, adding that another area where Harmonizing Earth could provide benefit is the creation of ice charts for human activities in and near sea-ice regions. Now, that effort is largely done manually, “experts looking at images and interpreting where there is ice,” and because it is manual, it is difficult to analyze much data from synthetic-aperture radar, he said.

    “Our methods will help automate much of this process, which will allow much more data to be analyzed for the ice charts and improve those charts,” Meier added.

    NSIDC scientist Andrew Barrett commented that machine-learning methods such as deep neural networks could help scientists map larger areas at high resolution.

    “Ice analysts can then focus on checking, correcting and packaging ice maps for users in a similar way to how meteorologists use output from numerical weather prediction models along with other sources of information to produce weather forecasts,” Barret said.

    On a broader scale, Meier said, better interpretation of different kinds of data “will help us better understand how sea ice changes seasonally and over the years to give us better sense of how the ice cover is changing and improve models to understand how it will change in the future.”

    Harmonized Earth will be integrated into NSF’s EarthCube software ecosystem for maximum adoption and ease of use, to make federally funded data more useful to researchers, including those who make sea-ice projections used by the shipping industry.

    Our methods will help automate much of this process, which will allow much more data to be analyzed for the ice charts and improve those charts​."

    To that end, Karimzadeh noted that the project also aims to produce “computational notebooks” for students with little or no background in data-science methods in geoscience.

    EarthCube is a growing community of scientists from the geosciences, as well as geoinformatics researchers and data scientists. It began as a joint effort between the NSF Directorate for Geosciences and the Division of Advanced Cyberinfrastructure and has attracted an evolving, dynamic virtual community of more than 2,500 contributors, including Earth, ocean, polar, planetary, atmospheric, geospace, computer and social scientists, educators and data and information professionals.

    Through this community-driven development, many successful open-source projects have been made available to researchers and practitioners, and Harmonized Earth will add earth data fusion and sea ice mapping to the capabilities of EarthCube.

    Harmonized Earth is a collaboration between Principal Investigator Karimzadeh, Andrew Barrett, Walt Meir and Siri Jodha Khalsa of NSIDC and Farnoush Banaei-Kashani of CU Denver Computer Science.


    Assista o vídeo: Szykuje się naukowy przełom? Zobacz, co wydobyto na Antarktydzie Pixel