Using tracer observations to reduce the uncertainty of ocean diapycnal mixing and climate–carbon cycle projections
Notice bibliographique
Résumé
What is the uncertainty of climate–carbon cycle projections in response to anthropogenic greenhouse gas emissions, and how can we reduce this uncertainty? We address this question by quantifying the ability of available ocean tracer observations to constrain the values of diapycnal diffusivity in the pelagic ocean (Kv), a key uncertain parameter representing sub‐grid‐scale diapycnal (vertical) mixing in physical circulation models. We show that model versions with weak mixing (i.e., low Kv) lead to higher projections of atmospheric CO2 and larger global warming than do models with vigorous mixing. Slower heat uptake and slower carbon uptake by the oceans contribute about equally to the accelerated warming in the low‐mixing models. A Bayesian data‐model fusion method is developed to quantify the likelihood of different structural and parametric model choices given an array of observed 20th century ocean tracer distributions. These spatially resolved observations provide strong limits on the upper value of Kv, whereas global metrics used in previous studies, such as the historical evolution of global average surface air temperature, global ocean heat uptake, or atmospheric CO2 concentration, provide only poor constraints. We compare different methods to quantify the probability of a particular diffusivity value given the observational constraints. One‐dimensional, globally horizontally averaged data result in sharper probability density functions compared with the full 3‐D fields. This perhaps unexpected result opens up an avenue to objectively determine the optimal degree of aggregation at which model predictions have skill, and at which observations are most helpful in constraining model parameters. Our best estimate for Kv in the pelagic pycnocline is around 0.05–0.2 cm2/s, in agreement with earlier independent estimates based on tracer dispersion experiments and turbulence microstructure measurements.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».