Using transport diagnostics to understand chemistry climate model ozone simulations
Notice bibliographique
Résumé
[1] We use observations of N2O and mean age to identify realistic transport in models in order to explain their ozone predictions. The results are applied to 15 chemistry climate models (CCMs) participating in the 2010 World Meteorological Organization ozone assessment. Comparison of the observed and simulated N2O, mean age and their compact correlation identifies models with fast or slow circulations and reveals details of model ascent and tropical isolation. This process-oriented diagnostic is more useful than mean age alone because it identifies models with compensating transport deficiencies that produce fortuitous agreement with mean age. The diagnosed model transport behavior is related to a model's ability to produce realistic lower stratosphere (LS) O3 profiles. Models with the greatest tropical transport problems compare poorly with O3 observations. Models with the most realistic LS transport agree more closely with LS observations and each other. We incorporate the results of the chemistry evaluations in the Stratospheric Processes and their Role in Climate (SPARC) CCMVal Report to explain the range of CCM predictions for the return-to-1980 dates for global (60°S–60°N) and Antarctic column ozone. Antarctic O3 return dates are generally correlated with vortex Cly levels, and vortex Cly is generally correlated with the model's circulation, although model Cl chemistry and conservation problems also have a significant effect on return date. In both regions, models with good LS transport and chemistry produce a smaller range of predictions for the return-to-1980 ozone values. This study suggests that the current range of predicted return dates is unnecessarily broad due to identifiable model deficiencies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».