MétaCan
Menu
Retour à la cohorte
Enregistrement W2607366127 · doi:10.1007/s00382-017-3689-7

Westerly wind bursts simulated in CAM4 and CCSM4

2017· article· en· W2607366127 sur OpenAlexaff
Tao Lian, Youmin Tang, Lei Zhou, Siraj Ul Islam, Chan Zhang, Xiaojing Li, Zheng Ling

Notice bibliographique

RevueClimate Dynamics · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesNational Program on Global Change and Air-Sea InteractionNatural Science Foundation of Zhejiang ProvinceNational Natural Science Foundation of China
Mots-clésMadden–Julian oscillationClimatologyEnvironmental sciencePredictabilityEl Niño Southern OscillationSea surface temperatureAtmospheric sciencesAtmospheric modelClimate modelMeteorologyClimate changeConvectionGeologyOceanographyGeography

Résumé

récupéré en direct d'OpenAlex

The equatorial westerly wind bursts (WWBs) play an important role in modulating and predicting the El Niño-Southern Oscillation (ENSO). In this study, the ability of the Community Atmospheric Model version 4 (CAM4) and the Community Climate System Model version 4 (CCSM4) in simulating WWBs is systematically evaluated. Many characteristics of WWBs, including their longitude distributions, durations, zonal extensions, variabilities at seasonal, intraseasonal, and interannual timescales, as well as their relations with the Madden–Julian Oscillation (MJO) and ENSO, are discussed. Generally speaking, these characteristics of WWBs can be successfully reproduced by CAM4, owning to the improvement of the deep convection in the model. In CCSM4, significant bias such as the lack of the equatorial Pacific WWBs in boreal spring season and the weak modulation by a strong MJO are found. Our findings confirm the fact that the WWBs are greatly modulated by the surface temperature. It’s also suggested that improving the air-sea coupling in CCSM4 may improve model performance in simulating WWBs, and may further improve the predictability of ENSO in the coupled model.

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 enseignants0,441
Score d'incertitude au seuil0,540

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)0,0000,000

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 Opus0,013
Tête enseignante GPT0,256
Écart entre enseignants0,244 · 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

Citations29
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClimate DynamicsMême sujetClimate variability and modelsTravaux en français237 207