MétaCan
Menu
Retour à la cohorte
Enregistrement W2196609014 · doi:10.1175/jcli-d-15-0362.1

Indirect Aerosol Effect Increases CMIP5 Models’ Projected Arctic Warming

2015· article· en· W2196609014 sur OpenAlexaff
Petr Chýlek, Timothy J. Vogelsang, James D. Klett, Nicolas Hengartner, Dave Higdon, Glen Lesins, Manvendra K. Dubey

Notice bibliographique

RevueJournal of Climate · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésCoupled model intercomparison projectAerosolClimatologyRadiative forcingEnvironmental scienceArcticClimate modelAtmospheric sciencesForcing (mathematics)Climate sensitivityGlobal warmingClimate changeRadiative transferThe arcticMeteorologyGeographyOceanographyGeologyPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Phase 5 of the Coupled Model Intercomparison Project (CMIP5) climate models’ projections of the 2014–2100 Arctic warming under radiative forcing from representative concentration pathway 4.5 (RCP4.5) vary from 0.9° to 6.7°C. Climate models with or without a full indirect aerosol effect are both equally successful in reproducing the observed (1900–2014) Arctic warming and its trends. However, the 2014–2100 Arctic warming and the warming trends projected by models that include a full indirect aerosol effect (denoted here as AA models) are significantly higher (mean projected Arctic warming is about 1.5°C higher) than those projected by models without a full indirect aerosol effect (denoted here as NAA models). The suggestion is that, within models including full indirect aerosol effects, those projecting stronger future changes are not necessarily distinguishable historically because any stronger past warming may have been partially offset by stronger historical aerosol cooling. The CMIP5 models that include a full indirect aerosol effect follow an inverse radiative forcing to equilibrium climate sensitivity relationship, while models without it do not.

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)0,002
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,663
Score d'incertitude au seuil0,542

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,035
Tête enseignante GPT0,271
Écart entre enseignants0,236 · 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'étudeSimulation ou modélisation
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

Citations30
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetClimate variability and modelsTravaux en français237 207