4.2.3 Glace de mer

Auteur principal : Alex Crawford (Université du Manitoba)

Contributeurs : Stephen Howell (CRD/ECCC), Jennifer Lukovich (Université du Manitoba)

Comme pour les variables de la neige, la pratique courante pour les simulations de variables de la glace de mer au cours d’une période historique et pour la création de projections climatiques futures consiste à utiliser des ensembles de modèles climatiques physiques CMIP5 et CMIP6. Dans ces modèles, la glace de mer est simulée dans les mailles d’une modèle de glace de mer qui est couplé à un modèle atmosphérique et à un modèle océanique. La formation et la fonte de la glace de mer dépendent de l’échange de chaleur avec l’atmosphère et l’océan. La couverture de glace de mer peut également être modifiée par divergence et convergence des glaces, qui sont entraînées par le vent dans l’atmosphère et les courants et vagues dans l’océan. Le « couplage » des composantes du modèle signifie que la glace de mer peut à son tour influencer l’océan et l’atmosphère (p. ex., une plus forte concentration de glace de mer signifie une plus grande réflectivité et moins de rayonnement solaire à la surface).

La quantité de données disponibles pour CMIP5 (https://esgf-node.llnl.gov/search/cmip5/) et pour CMIP6 (https://esgf-node.llnl.gov/search/cmip6/) [en anglais seulement] est large parce que, en plus du calcul de multiples variables pour de multiples expériences, chaque groupe de modélisation peut contribuer avec plusiuers versions de modèle, et chaque version de modèle peut être exécutée plusieurs fois pour la même expérience (comme mesure de la variabilité interne du modèle). De nombreux groupes de modélisation publient des données de glaces marines et océaniques sur des grilles à résolution variable ou des grilles tournées (p. ex., en déplaçant le « pôle Nord » au-dessus du Groenland), de sorte que la résolution spatiale n’est pas facile à comparer. La taille moyenne des mailles de modèle dans CMIP5 et CMIP6 varie d’environ 25 km à environ 250 km, la résolution plus haute étant plus commune dans CMIP6. Les variables de la glace de mer sont disponibles sous forme de moyennes mensuelles, certains modèles fournissant également la concentration, l’épaisseur et la vitesse de la glace de mer sous forme de moyennes journalières.

Les canaux étroits dans les eaux arctiques canadiennes ne sont pas bien représentés dans les MCG à basse résolution spatiale, et l’incertitude dans les projections modélisées est plus élevée pour l’archipel Arctique canadien que pour l’ensemble de l’Arctique. Malgré cela, l’ensemble multimodèle CMIP5/6 fournit une base quantitative pour les projections des conditions futures de la glace de mer pour des applications dans le Nord canadien.

La principale application de ces simulations à long terme à basse résolution consiste à faire des projections sur les utilisations et les voies possibles des activités humaines dans l’Arctique tout au long du XXIe siècle et au-delà. Les voies de navigation dans la baie d’Hudson et dans l’archipel Arctique canadien (le passage du Nord-Ouest) continueront de devenir plus accessibles à mesure que la couverture de glace de mer diminuera, et les modèles CMIP5/6 nous permettent d’estimer la durée future d’ouverture de ces voies (p. ex., Smith et Stephenson, 2013; Melia et coll., 2017; Andrews et coll., 2018). Par exemple, les modèles CMIP5 ont montré que des étés presque sans glace sont très probables avec un réchauffement planétaire de 2,0 °C supérieur aux niveaux préindustriels, mais peu probable si le réchauffement planétaire est limité à 1,5 °C (Jahn, 2018; Sigmond et coll., 2018). Pour les régions où la couverture de glace de mer est saisonnière, la durée de la saison sans glace augmente d’environ un mois avec chaque 1 °C supplémentaire de réchauffement planétaire dans les modèles CMIP6 (Crawford et coll., 2021). Cela se traduit par l’ouverture du passage du Nord-Ouest et de la baie d’Hudson à tous les navires pendant au moins une partie de l’année, avec un réchauffement planétaire de 2 °C par rapport aux niveaux préindustriels (Mudryk et coll., 2021).

CMIP5

Dans le CMIP5, la concentration mensuelle de glace de mer est disponible pour un maximum de 41 modèles (16 groupes de modélisation), selon l’expérience. La concentration quotidienne de glace de mer est disponible pour un maximum de 32 modèles (16 groupes de modélisation). L’épaisseur et le mouvement de la glace de mer sont également disponibles pour la plupart de ces modèles, mais pas tous. Le mouvement de la glace de mer est présenté sous forme de vitesse pour les données quotidiennes et de transport de volume pour les données mensuelles. Dans les deux cas, le mouvement est divisé en une composante x et une composante y basées sur la grille océanique du modèle (ils ne sont donc pas nécessairement zonaux et méridionaux). Les simulations historiques s’étendent de 1850 à 2005. Pour ceux-ci, la variabilité solaire, la composition atmosphérique (y compris les aérosols) et l’utilisation des terres sont prescrites dans les modèles pour reproduire les forçages climatiques observés. Les projections futures comprennent quatre « profils représentatifs d’évolution des concentrations » (RCP), chacun ayant une chronologie différente de la composition atmosphérique et des changements d’utilisation des terres. Dans le RCP2.6, le forçage radiatif culmine à ~2,6 W m-2 vers 2100 avant de diminuer. Dans le RCP4.5 et le RCP6.0, le forçage radiatif se stabilise après 2100 à ~4,5 W m-2 et ~6,0 W m-2, respectivement. Dans le RCP8.5, le forçage radiatif atteint ~8,5 W m-2 vers 2100, mais peut continuer à augmenter. Toutes les simulations du RCP sont exécutées de 2006 à 2100, et certaines sont prolongées jusqu’à 2300. Le tableau 3.4 indique le nombre total de simulations disponibles pour chaque expérience et chaque résolution temporelle.

CMIP6

Bien que certains modèles de glace de mer aient été modifiés entre le CMIP5 et le CMIP6 (p. ex., Bailey et coll., 2020), la plus grande différence entre ces CMIP est le plus grand volume de données disponibles pour CMIP6. En date de septembre 2021, les données du CMIP6 disponibles comprennent des simulations de la concentration mensuelle de la glace de mer pour un maximum de 57 modèles (29 groupes de modélisation) et des données sur la concentration quotidienne de la glace de mer pour un maximum de 40 modèles (21 groupes de modélisation). Comparativement au CMIP5, le nombre de simulations historiques a plus que doublé pour les données quotidiennes et presque triplé pour les données mensuelles (tableau 3.5). Comme pour le CMIP5, la plupart des modèles produisent également des résultats pour l’épaisseur et le mouvement de la glace de mer, mais le mouvement est toujours présenté sous forme de vitesse (disponible sous forme de composante x [siu] et de composante y [siv]). Plusieurs groupes de modélisation ont également publié des variables supplémentaires (p. ex., la croissance du frasil par rapport à la croissance basale) afin de mieux diagnostiquer les processus et les biais du modèle (Notz et coll., 2016; Keen et coll., 2021). Les expériences historiques pour le CMIP6 sont exécutées de 1850 à 2014. Pour les projections futures (2015 à 2100 ou 2015 à 2300), les cibles de forçage radiatif (comme celles du CMIP5) ont été combinées avec des « profils socio-économiques partagés » (SSP), qui tiennent compte de la possibilité qu’un cadre stratégique unique puisse produire des émissions différentes et des changements dans l’utilisation des terres, et donc différents forçages radiatifs.

Considérations et limites

Comme pour les autres variables climatiques, les différences entre les simulations historiques CMIP5/6 des variables de la glace de mer découlent de différents biais de modèle et de la variabilité climatique interne, et un ensemble multimodèle de multiples simulations de chaque modèle doit être utilisé. Toutefois, chaque modèle soumis au CMIP5/6 comporte un nombre différent de simulations. Comme pour les autres variables, afin de fournir une pondération égale pour chaque modèle lors du calcul des moyennes multimodèle pour les variables de la glace de mer, il est courant de sélectionner une seule simulation de chaque modèle.

Les erreurs dans les conditions aux limites avec lesquelles les modèles sont forcés et les biais dans les observations peuvent également contribuer aux différences entre les observations et les simulations historiques. Plusieurs études, faisant des projections des propriétés de la glace de mer de l’Arctique au XXIe siècle, n’utilisent qu’un sous-ensemble de modèles CMIP qui correspondent le mieux à certaines mesures historiques, comme la moyenne ou la tendance historique de l’étendue de la glace de mer en septembre (p. ex., Wang et Overland, 2012; Mioduszewski et coll., 2019; Peng et coll., 2020). Cependant, le rejet de modèles de cette façon risque d’introduire davantage de biais. La variabilité interne des variables de la glace de mer de l’Arctique est souvent la plus grande source d’incertitude (Notz, 2014, Bonan et coll., 2021), et l’incidence de la variabilité interne sur la perte récente de glace de mer dans l’Arctique n’a pas été uniforme pour la région et la saison (England et coll., 2019). En utilisant un plus petit nombre de membres, l’ensemble n’échantillonne pas suffisamment l’incertitude des modèles. De plus, les modèles qui correspondent le mieux aux tendances observées en matière de perte de glace de mer dans l’Arctique sont souvent exacts pour la mauvaise raison, comme la combinaison de la sensibilité de la glace de mer au réchauffement qui est trop faible et du réchauffement planétaire qui est trop fort (Rosenblum et Eisenman, 2017). Par conséquent, le succès des simulations des conditions passées de la glace de mer ne réduit pas considérablement l’incertitude dans les projections futures (Laliberté et coll., 2015).

De plus, comme de nombreux groupes de modélisation partagent des codes pour certains processus, les modèles distincts ne sont pas vraiment indépendants (Annan et Hargreaves, 2017), ce qui peut également biaiser l’ensemble consistant d’une seule simulation de chaque modèle CMIP5/6. Une approche plus sophistiquée qui vise à régler ce problème consiste à conserver toutes les simulations de modèle pour faire des projections, mais à les pondérer en fonction de a) leur capacité à correspondre aux observations des caractéristiques de la glace de mer et de la température de l’Arctique et b) leur degré de dépendance (Knutti et coll., 2017). Les diagnostics choisis pour la pondération doivent avoir une justification physique, comme une contrainte émergente sur les caractéristiques projetées de la glace de mer (Massonnet et coll., 2012; Knutti et coll., 2017). La pondération différentielle permet d’équilibrer les lacunes des autres approches, mais elle exige également une plus grande puissance de calcul et potentiellement plus d’espace de stockage de données pour les variables de diagnostic.

Figure 4.9 : a), b) Comparaison de la superficie de la glace de mer (SIA) dans les simulations des CMIP3, CMIP5 et CMIP6 avec les relevés des hyperfréquences passives en a) mars 1979 à 1998 et b) septembre 1979 à 1998. c) Comparaison de 1979 à 2014 de la sensibilité de la tendance de la zone de glace de mer en septembre à la tendance des émissions de CO2 (à gauche) et de la température moyenne en surface mondiale (à droite). Chaque tiret indique la valeur du premier membre d’ensemble de chaque modèle, et les x indiquent la moyenne multimodèle. La ligne épaisse en pointillés noirs correspond à la moyenne de trois produits satellites, et les lignes en pointillés indiquent l’écart-type d’incertitude d’observation. La variabilité interne est calculée comme l’écart-type de l’ensemble des modèles comportant au moins trois membres et elle est représentée sous forme d’ombrage gris superposé. Les lignes vertes pointillées indiquent une « plage plausible » globale pour chaque propriété en fonction de l’incertitude observationnelle et de la variabilité interne. (Source : Communauté CIMIP [2020])

La figure 4.9 résume la capacité du CMIP3, du CMIP5 et du CMI6 de simuler la superficie de la glace de mer au cours de la période historique. La superficie moyenne de la glace de mer en mars des multimodèles pour les CMIP5 et CMIP6 de 1979 à 1998 est plus élevée que la moyenne des observations, mais à l’intérieur d’une plage plausible une fois prises en compte l’incertitude d’observation et la variabilité interne (figure 1; Communauté CIMIP 2020). En septembre, les moyennes des multimodèles correspondent correctement aux observations. Les modèles CMIP5 ont tendance à sous-estimer la tendance historique à la baisse de la glace de mer de septembre (Stroeve et coll., 2012; Wang et Overland, 2012) parce qu’ils sous-estiment la sensibilité de la glace de mer au réchauffement planétaire (figure 1c). Les tendances des modèles CMIP6 sont mieux harmonisées avec les observations (Shu et coll., 2020), mais cela ne représente pas une amélioration importante des composantes du modèle de la glace de mer. La moyenne multimodèle du CMIP6 démontre plutôt une plus grande sensibilité de la température aux émissions de CO2 que le CMIP5, mais a le même biais pour la sensibilité de la zone de glace de mer à la température (Communauté CIMIP 2020, Fyfe et coll., 2021). Par conséquent, le CMIP6 ne représente qu’une légère amélioration par rapport au CMIP5, et toute projection de changement futur de la glace de mer à l’aide de l’un ou l’autre des CMIP doit être prise en compte avec la mise en garde que le taux de changement est probablement sous-estimé.

Les biais dans les simulations CMIP varient considérablement selon la région et la saison (Crawford et coll., 2021; Watts et coll., 2021). Par exemple, le nombre de jours de couverture de glace de mer est surestimé dans la baie d’Hudson par presque tous les modèles CMIP6, mais ce paramètre est bien estimé dans le centre de l’océan Arctique. Dans la mer de Beaufort, le retrait de la glace de mer en août à une concentration inférieure à 15 % est mieux aligné entre les simulations et les observations du CMIP6 que la progression d’octobre à une concentration supérieure à 15 % (Crawford et coll., 2021). De façon problématique, les biais sont souvent opposés dans différentes saisons ou régions et se compensent donc mutuellement (Smith et coll., 2020, Crawford et coll., 2021; Watts et coll., 2021). Par conséquent, il est courant que les mesures annuelles panarctiques présentent moins de biais que les mesures régionales ou saisonnières.

Moins d’études de validation ont été menées pour simuler l’épaisseur de la glace de mer et le mouvement de la glace de mer. Environ la moitié des modèles CMIP6 examinés par Watts et coll. (2021) ont produit des patrons spatiaux de l’épaisseur de la glace de mer qui correspondaient aux résultats de la réanalyse PIOMAS (1979 à 2014). Les corrélations des patrons étaient plus faibles, mais toujours positives et significatives par rapport à CryoSat-2 (2011 à 2014). Le volume de la glace de mer, qui dépend à la fois de l’étendue et de l’épaisseur de la glace de mer, présente des biais plus faibles dans le CMIP6 que dans le CMIP5 comparativement à PIOMAS, ainsi qu’un écart de modèle plus petit (Davy et Outten, 2020). Cette amélioration résulte en partie d’une glace de mer plus épaisse (et donc plus précise) dans la baie d’Hudson et au nord de l’archipel Arctique canadien dans le CMIP6. Une évaluation de la dérive de la glace de mer à partir des modèles CMIP5 a démontré leur capacité à saisir la tendance à la hausse observée de la vitesse de la dérive de la glace de mer en hiver associée à une couverture de glace de mer de plus en plus mince (Tandon et coll., 2018). Les tendances à la hausse observées en été ne sont toutefois pas prises en compte par les modèles CMIP5, que les auteurs attribuent à ce qu’on appelle l’effet de l’étendue de la glace de mer associé à une transition vers une couverture partielle de glace, avec des répercussions sur les interactions glace-glace et côte-glace qui sont captées par la déformation.

Figure 4.10 : Exemple de masques terrestres/océaniques utilisés dans trois modèles CMIP6 sélectionnés pour montrer la portée des détails résolus. Le gris représente la terre et le bleu représente l’océan (et donc les mailles de grille capables d’avoir une couverture de glace de mer).

La basse résolution des modèles CMIP5/6 (figure 4.10) limite leur capacité à capturer les processus de glace de mer à l’échelle locale. La complexité de l’archipel Arctique canadien est considérablement réduite dans tous les modèles, sauf les modèles à plus haute résolution. Par exemple, CNRM-CM6-1-HR (figure 4.10a; résolution nominale de 25 km) résout les îles Belcher, différencie l’île Axel Heiberg de l’île d’Ellesmere et différencie l’île Bylot de l’île de Baffin. Cependant, ni MRI-ESM2-0 ni NESM3 (résolution nominale de 100 km) ne sont aussi précis. MRI-ESM2-0 préserve les plans d’eau tout en réduisant ou en éliminant des masses terrestres (p. ex., île Southampton, île Devon). Le NESM3 s’étend et combine des îles tout en éliminant de nombreux détroits (p. ex., le détroit de Victoria et le détroit de Nares).

Bien que certains modèles CMIP5 fournissent des estimations raisonnables de l’épaisseur de la glace de rive dans l’archipel Arctique canadien comparativement aux observations, de nombreux modèles simulent une glace de surface qui est trop épaisse et des tendances à la baisse excessivement fortes (Howell et coll., 2016). De plus, seuls les modèles qui correspondent bien aux observations historiques de l’épaisseur de la glace de rive maintiennent habituellement la glace de rive saisonnière tout au long du XXIe siècle, ce qui montre que les projections globales de l’étendue de la glace de mer sont sensibles à la représentation de la glace de rive dans les simulations du CMIP (Laliberté et coll., 2018).

Références - Glace de mer:

Andrews, J., D. Babb, et D.G. Barber, 2018: « Climate change and sea ice: Shipping in Hudson Bay, Hudson Strait, and Foxe Basin (1980–2016). Elementa: Science of the Anthropocene », 6, https://doi.org/10.1525/journal.elementa.281.

Annan, J.D., et J.C. Hargreaves, 2017: « On the meaning of independence in climate science. Earth System Dynamics », 8(1), 211-224, https://doi.org/10.5194/esd-8-211-2017.

Bailey, D.A., M.M. Holland, A.K. DuVivier, E.C. Hunke, et A.K. Turner, 2020: « Impact of a New Sea Ice Thermodynamic Formulation in the CESM2 Sea Ice Component. Journal of Advances in Modeling Earth Systems », 12(11), e2020MS002154, https://doi.org/10.1029/2020ms002154.

Bonan, D., F. Lehner, et M. Holland, 2021: « Partitioning uncertainty in projections of Arctic sea ice, Environmental Research Letters », 16(4), 044002.

Communauté SIMIP, 2020: « Arctic Sea Ice in CMIP6. Geophysical Research Letters », 47(10), e2019GL086749, https://doi.org/10.1029/2019gl086749.

Crawford, A., J. Stroeve, A. Smith, et A. Jahn, 2021: « Arctic open-water periods are projected to lengthen dramatically by 2100. Communications Earth & Environment », 2(1), 1-10, https://doi.org/10.1038/s43247-021-00183-x.

Davy, R., et S. Outten, 2020: « The Arctic Surface Climate in CMIP6: Status and Developments since CMIP5. Journal of Climate », 33(18), 8047-8068., https://doi.org/10.1175/jcli-d-19-0990.1.

England, M., A. Jahn, et L. Polvani, 2019: « Nonuniform Contribution of Internal Variability to Recent Arctic Sea Ice Loss. Journal of Climate », 32(13), 4039–4053, https://doi.org/10.1175/jcli-d-18-0864.1.

Fyfe, J.C., V.V. Kharin, B.D. Santer, J.N. S. Cole, et N.P. Gillett, 2021: « Significant impact of forcing uncertainty in a large ensemble of climate model simulations, Proceedings of the National Academy of Sciences », 118 (23) e2016549118; DOI: 10.1073/pnas.2016549118.

Howell, S.E.L., F. Laliberté, R. Kwok, C. Derksen, et J. King, 2016: « Landfast ice thickness in the Canadian Arctic Archipelago from observations and models. Cryosphere », 10(4), 1463–1475, https://doi.org/10.5194/tc-10-1463-2016.

Jahn, A., 2018: « Reduced probability of ice-free summers for 1.5 °C compared to 2 °C warming. Nature Climate Change », 8(5), 409–413, https://doi.org/10.1038/s41558-018-0127-8.

Keen, A., E. Blockley, D.A. Bailey, J.B. Debernard, M. Bushuk, S. Delhaye, D. Docquier, D. Feltham, F. Massonnet, S. O'Farrell, L. Ponsoni, J.M. Rodriguez, D. Schroeder, N. Swart, T. Toyoda, H. Tsujino, M. Vancoppenolle, et K. Wyserand, 2020: « An inter-comparison of the mass budget of the Arctic sea ice in CMIP6 models. Cryosphere », 15(2), 951–982, https://doi.org/10.5194/tc-15-951-2021.

Laliberté, F., S.E.L. Howell, et P.J. Kushner, 2016: « Regional variability of a projected sea ice‐free Arctic during the summer months. Geophysical Research Letters », 43(1), 256–263, https://doi.org/10.1002/2015gl066855.

Laliberté, F., S.E.L. Howell, J.-F. Lemieux, F. Dupont, et J. Lei, 2018: « What historical landfast ice observations tell us about projected ice conditions in Arctic archipelagoes and marginal seas under anthropogenic forcing. Cryosphere », 12(11), 3577–3588, https://doi.org/10.5194/tc-12-3577-2018.

Massonnet, F., T. Fichefet, H. Goosse, C.M. Bitz, G. Philippon-Berthier, M.M. Holland, et P.-Y. Barriat, 2012: « Constraining projections of summer Arctic sea ice. Cryosphere », 6(6), 1383–1394, https://doi.org/10.5194/tc-6-1383-2012.

Melia, N., K. Haines, E. Hawkins, et J.J. Day, 2017: « Towards seasonal Arctic shipping route predictions. Environmental Research Letters », 12(8), 084005, https://doi.org/10.1088/1748-9326/aa7a60.

Mioduszewski, J.R., S. Vavrus, M. Wang, M.M. Holland, et L. Landrum, 2019: « Past and future interannual variability in Arctic sea ice in coupled climate models. The Cryosphere », 13(1), 113–124, https://doi.org/10.5194/tc-13-113-2019.

Mudryk, L.R., J. Dawson, S.E.L. Howell, C. Derksen, T.A. Zagon, et M. Brady, 2021: « Impact of 1, 2 and 4 °C of global warming on ship navigation in the Canadian Arctic. Nat Clim Change », 11(8), 673–679, https://doi.org/10.1038/s41558-021-01087-6.

Notz, D., 2014: « Sea-ice extent and its trend provide limited metrics of model performance. The Cryosphere », 8(1), 229–243, https://doi.org/10.5194/tc-8-229-2014.

Notz, D., A. Jahn, M.M. Holland, E. Hunke, F. Massonnet, J. Stroeve, B. Tremblay, et M. Vancoppenolle, 2016: « The CMIP6 Sea-Ice Model Intercomparison Project (SIMIP): Understanding sea ice through climate-model simulations. Geoscientific Model Development », 9(9), 3427–3446. https://doi.org/10.5194/gmd-9-3427-2016.

Peng, G., J.L., M. Matthews, R. Wang, L. Vose, et L. Sun, 2020: « What Do Global Climate Models Tell Us about Future Arctic Sea Ice Coverage Changes? Clim », 8, 15, https://doi.org/10.3390/cli8010015.

Rosenblum, E., et I. Eisenman, 2017: « Sea Ice Trends in Climate Models Only Accurate in Runs with Biased Global Warming. Journal of Climate », 30, 6265–6278, https://doi.org/10.1175/jcli-d-16-0455.1

Shu, Q., Q. Wang, Z. Song, F. Qiao, J. Zhao, M. Chu, et X. Li, 2020: « Assessment of Sea Ice Extent in CMIP6 With Comparison to Observations and CMIP5. Geophys Res Lett », 47, https://doi.org/10.1029/2020gl087965.

Sigmond, M., J.C. Fyfe, et N.C. Swart, 2018: « Ice-free Arctic projections under the Paris Agreement. Nat Clim Change », 8, 404–408, https://doi.org/10.1038/s41558-018-0124-y.

Smith, A., A. Jahn, et M. Wang, 2020: « Seasonal transition dates can reveal biases in Arctic sea ice simulations. Cryosphere », 14(9), 2977–2997, https://doi.org/10.5194/tc-14-2977-2020.

Smith, L.C., et S.R. Stephenson, 2013: « New Trans-Arctic shipping routes navigable by mid-century. Proceedings of the National Academy of Sciences », 110(13), E1191-E1195, https://doi.org/10.1073/pnas.1214212110.

Stroeve, J.C., V. Kattsov, A. Barrett, M.C. Serreze, T. Pavlova, M.M. Holland, et W.N. Meier, 2012: « Trends in Arctic sea ice extent from CMIP5, CMIP3 and observations. Geophysical Research Letters », 39(16), L16502, https://doi.org/10.1029/2012gl052676.

Tandon, N.F., P.J. Kushner, D. Docquier, J.J. Wettstein, et C. Li., 2018. « Reassessing Sea Ice Drift and Its Relationship to Long‐Term Arctic Sea Ice Loss in Coupled Climate Models. Journal of Geophysical Research: Oceans », 123(6), 4338–4359, doi:10.1029/2017jc013697.

Wang, M., et J.E. Overland, 2012: « A sea ice free summer Arctic within 30 years: An update from CMIP5 models. Geophys Res Lett », 39(18), https://doi.org/10.1029/2012gl052868.

Watts, M., W. Maslowski, Y.J. Lee, J.C. Kinney, et R. Osinski, 2021: « A spatial evaluation of Arctic sea ice and regional limitations in CMIP6 historical simulations. Journal of Climate », 34(15), 6399-6420, https://doi.org/10.1175/jcli-d-20-0491.1.