Abstract On the Greenland Ice Sheet, hydrofracture connects the supraglacial and subglacial hydrologic systems, coupling surface runoff dynamics and ice velocity. In recent decades, the growth of low-permeability ice slabs in the wet snow zone has expanded Greenland's runoff zone, but observations suggest that surface-to-bed connections are rare, because meltwater drains through crevasses into the porous firn beneath ice slabs. However, there is little quantitative evidence confirming the absence of surface-to-bed fracture propagation. Here, we use poromechanics to investigate whether water-filled crevasses in ice slabs can propagate vertically through an underlying porous firn layer. Based on numerical simulations, we develop an analytical estimate of the water injection-induced effective stress in the firn given the water level in the crevasse, ice slab thickness, and firn properties. We find that the firn layer substantially reduces the system's vulnerability to hydrofracture because much of the hydrostatic stress is accommodated by a change in pore pressure, rather than being transmitted to the solid skeleton. This result suggests that surface-to-bed hydrofracture will not occur in ice slab regions until all pore space proximal to the initial flaw has been filled with solid ice.

Abstract We discuss the emerging advances and opportunities at the intersection of machine learning (ML) and climate physics, highlighting the use of ML techniques, including supervised, unsupervised, and equation discovery, to accelerate climate knowledge discoveries and simulations. We delineate two distinct yet complementary aspects: ( a ) ML for climate physics and ( b ) ML for climate simulations. Although physics-free ML-based models, such as ML-based weather forecasting, have demonstrated success when data are abundant and stationary, the physics knowledge and interpretability of ML models become crucial in the small-data/nonstationary regime to ensure generalizability. Given the absence of observations, the long-term future climate falls into the small-data regime. Therefore, ML for climate physics holds a critical role in addressing the challenges of ML for climate simulations. We emphasize the need for collaboration among climate physics, ML theory, and numerical analysis to achieve reliable ML-based models for climate applications.

Abstract Iceberg calving is a major contributor to Greenland’s ice mass loss. Ice mélange, tightly packed sea ice and icebergs, has been hypothesized to buttress the calving fronts. However, quantifying the mélange buttressing force from field observations remains a challenge. Here we show that such quantification can be achieved with a single field measurement: thickness of mélange at the glacier terminus. We develop a three-dimensional discrete element model of mélange along with a simple analytical model to quantify the mélange buttressing using mélange thickness data from ArcticDEM over 32 Greenland glacier termini. We observed a strong seasonality in mélange thickness: thin mélange (averaged thickness $$3{4}_{-15}^{+17}$$ 3 4 − 15 + 17 m) in summertime when terminus retreats, and thick mélange (averaged thickness $$11{9}_{-37}^{+31}$$ 11 9 − 37 + 31 m) in wintertime when terminus advances. The observed seasonal changes of mélange thickness strongly coincide with observed Greenland calving dynamics and the modeled buttressing effects.