MARC

 008260126s2025        us                              c    eng  d
■001000017357003
■00520260202103115
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314899182
■035    ▼a(MiAaPQ)AAI31936862
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.5
■1001  ▼aBaiman,  Rebecca  Louise.▼0(orcid)0000-0002-1801-8618
■24510▼aAtmospheric  Drivers  of  Extreme  Antarctic  Snowfall
■260    ▼a[Sl]▼bUniversity  of  Colorado  at  Boulder▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a136  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Winters,  Andrew  C.
■5021  ▼aThesis  (Ph.D.)--University  of  Colorado  at  Boulder,  2025.
■520    ▼aAntarctica  contains  the  larger  of  Earth's  two  ice  sheets  and  holds  ~60%  of  Earth's  freshwater.  Antarctica  has  a  negative  mass  balance  meaning  it  is  losing  ice  and  contributing  to  global  sea  level  rise.  Snowfall  over  Antarctica  adds  mass  to  the  ice  sheet  and  thus  helps  to  mitigate  Antarctica's  contribution  to  sea  level  rise.  Recent  research  highlights  the  importance  of  extreme  precipitation  events,  in  particular,  to  Antarctic  mass  balance  variability.  This  dissertation  examines  the  atmospheric  mechanisms,  including  atmospheric  rivers  (ARs),  modulating  Antarctic  snowfall  events.  First,  we  use  a  self-organizing  map  to  identify  atmospheric  environments  conducive  to  high  precipitation  ARs  that  reach  Dronning  Maud  Land,  East  Antarctica.  We  find  that  ARs  in  this  region  are  associated  with  low-high  surface  pressure  couplets  and  anomalous  moisture.  High  precipitation  ARs,  by  comparison,  are  associated  with  more  anomalous  surface  pressure  couplets  and  an  increase  in  dynamic  lift  that  accompanies  occluding  cyclones.  This  regional  study  highlights  the  importance  of  synoptic-scale  dynamic  drivers  in  generating  Antarctic  AR  precipitation  and  motivates  a  circumpolar  investigation  of  such  drivers  across  the  Antarctic  continent.  To  do  so,  we  compare  analog  (environments  with  a  low-high  surface  pressure  couplet  but  no  AR),  AR,  and  top  precipitation  AR  timesteps  around  Antarctica.  We  find  that  ARs  are  associated  with  more  anomalous,  poleward  shifted  low-high  pressure  couplets  and  larger  moisture  anomalies  compared  to  analog  timesteps.  Top  precipitation  AR  timesteps  in  every  region  are  characterized  by  enhanced  synoptic-scale  pressure  couplet  anomalies  but  no  significant  increase  in  moisture  availability.  Instead,  there  is  evidence  that  regionally-varying  areas  of  tropical  convection  can  excite  Rossby  wave  trains  that  establish  this  anomalous  dynamic  environment  near  Antarctica.  Finally,  we  broaden  our  scope  beyond  ARs  to  investigate  atmospheric  drivers  during  the  top  15%  of  snowfall  days  across  five  regions  around  Antarctica.  We  employ  a  convolutional  neural  network  to  determine  that  the  thermodynamic  environment  is  the  most  important  predictor  of  snowfall  events  in  West  Antarctica,  but  in  East  Antarctica  the  dynamic  environment  plays  a  more  important  role  in  identifying  snowfall  events.  This  dissertation  highlights  the  importance  of  the  synoptic-dynamic  environment  in  driving  Antarctic  precipitation  events,  and  submits  the  importance  of  considering  multi-scale  dynamics  when  evaluating  Antarctic  precipitation,  and  thus  Antarctic  surface  mass  balance,  in  present  and  future  climates.
■590    ▼aSchool  code:  0051.
■650  4▼aAtmospheric  sciences
■650  4▼aMeteorology
■653    ▼aAntarctica
■653    ▼aAtmospheric  rivers
■653    ▼aSnowfall
■653    ▼aConvolutional  neural  network
■690    ▼a0725
■690    ▼a0557
■71020▼aUniversity  of  Colorado  at  Boulder▼bAtmospheric  and  Oceanic  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0051
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357003▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books