MétaCan
Menu
Retour à la cohorte
Enregistrement W2591616909 · doi:10.1007/s11430-016-8315-5

Genesis of the 2014–2016 El Niño events

2017· article· es· W2591616909 sur OpenAlexaff
Tao Lian, Dake Chen, Youmin Tang

Notice bibliographique

RevueScience China Earth Sciences · 2017
Typearticle
Languees
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésDownwellingAdvectionKelvin waveGeologyClimatologyAtmospheric sciencesEnvironmental scienceOceanographyPhysicsUpwellingThermodynamics

Résumé

récupéré en direct d'OpenAlex

The 2015/2016 El Niño was one of the strongest El Niño events in history, and this strong event was preceded by a weak El Niño in 2014. This study systematically analyzed the dynamical processes responsible for the genesis of these events. It was found that the weak 2014 El Niño had two warming phases, the spring-summer warming was produced by zonal advection and downwelling Kelvin waves driven by westerly wind bursts (WWBs), and the autumn-winter warming was produced by meridional advection, surface heating as well as downwelling Kelvin waves. The 2015/2016 extreme El Niño, on the other hand, was primarily a result of sustained zonal advection and downwelling Kelvin waves driven by a series of WWBs, with enhancement from the Bjerknes positive feedback. The vast difference between these two El Niño events mainly came from the different amount of WWBs in 2014 and 2015. As compared to the 1982/1983 and 1997/1998 extreme El Niño events, the 2015/2016 El Niño exhibited some distinctive characteristics in its genesis and spatial pattern. We need to include the effects of WWBs to the theoretical framework of El Niño to explain these characteristics, and to improve our understanding and prediction of El Niño.

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)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Science ouverte, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesÉtudes des sciences et des technologies
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0080,025
Communication savante0,0010,003
Science ouverte0,0080,003
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 Opus0,024
Tête enseignante GPT0,287
Écart entre enseignants0,263 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations59
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience China Earth SciencesMême sujetClimate variability and modelsTravaux en français237 207