MétaCan
Menu
Retour à la cohorte
Enregistrement W2098800462 · doi:10.1175/2010jcli3378.1

Dust Aerosol Important for Snowball Earth Deglaciation

2010· article· en· W2098800462 sur OpenAlexfundno aff
Dorian S. Abbot, Itay Halevy

Notice bibliographique

RevueJournal of Climate · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesCanadian Institute for Advanced ResearchHarvard UniversityNational Science Foundation
Mots-clésAerosolEnvironmental scienceClimatologyAtmospheric sciencesSnowball EarthClimate modelRadiative transferAtmosphere (unit)Entrainment (biomusicology)Radiative forcingLongwaveAtmospheric modelGeologyMeteorologyClimate changeGlacial periodPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Most previous global climate model simulations could only produce the termination of Snowball Earth episodes at CO2 partial pressures of several tenths of a bar, which is roughly an order of magnitude higher than recent estimates of CO2 levels during and shortly after Snowball events. These simulations have neglected the impact of dust aerosols on radiative transfer, which is an assumption of potentially grave importance. In this paper it is argued, using the Dust Entrainment and Deposition (DEAD) box model driven by GCM results, that atmospheric dust aerosol concentrations may have been one to two orders of magnitude higher during a Snowball Earth event than today. It is furthermore asserted on the basis of calculations using NCAR’s Single Column Atmospheric Model (SCAM)—a radiative–convective model with sophisticated aerosol, cloud, and radiative parameterizations—that when the surface albedo is high, such increases in dust aerosol loading can produce several times more surface warming than an increase in the partial pressure of CO2 from 10−4 to 10−1 bar. Therefore the conclusion is reached that including dust aerosols in simulations may reconcile the CO2 levels required for Snowball termination in climate models with observations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,153
Score d'incertitude au seuil0,821

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,221
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations55
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207