MétaCan
Menu
Retour à la cohorte
Enregistrement W2726895879 · doi:10.5065/d6kp80kr

Connecting paleo and modern oceanographic data to understand AMOC over decades to centuries

2017· article· en· W2726895879 sur OpenAlexaboutno aff
Hali Kilbourne

Notice bibliographique

RevueORCA Online Research @Cardiff (Cardiff University) · 2017
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeology and Paleoclimatology Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésData assimilationClimatologyPaleoclimatologyClimate modelGeologyConsistency (knowledge bases)Coupled model intercomparison projectClimate changeMeteorologyOceanographyGeographyComputer science

Résumé

récupéré en direct d'OpenAlex

Modeling is an important tool for understanding AMOC on all timescales. Mechanistic studies of modern AMOC variability have been hampered by a lack of consistency between free-running models and the sensitivity of AMOC to resolution and parameterization. Recent work within the framework of the phase two Coordinated Ocean- Reference Experiments (CORE-II) addresses this issue head on, looking at model differences of AMOC mean state and interannual variability. One consistent feature across the models is that AMOC mean transport is related to mixed layer depths and Labrador Sea salt content, whereas interannual variability is primarily associated with Labrador Sea temperature anomalies. This is consistent with the hypothesized importance of salt balance for AMOC variability on geological timescales. The simulated relationships between AMOC and subsurface temperature anomalies in fully coupled climate models reveal subsurface AMOC fingerprints that could be used to reconstruct historical AMOC variations at low frequency.With the lack of long-term AMOC observations, models of ocean state that assimilate observational data have been explored as a way to reconstruct AMOC, but comparisons between models indicate they are quite variable in their AMOC representations. Karspeck et al. (2015) found that historical reconstructions of AMOC in such models are sensitive to the details of the data assimilation procedure. The ocean data assimilation community continues to address these issues through improved models and methods for estimating and representing error information.Two objectives of paleoclimate modeling are 1) to provide mechanistic information for interpretation of paleoclimate observations, and 2) to test the ability of predictive models to simulate Earth's climate under different background forcing states. In a good example of the first objective, Schmittner and Lund (2015) and Menviel et al. (2014) provided key information about the proxy signals expected under freshwater disturbance of AMOC, which were used to support the paleoclimate observations made by Henry et al. (2016). In an example of the second objective, Muglia and Schmittner (2015) analyzed Third Paleoclimate Modeling Intercomparison Project (PMIP3) models of the Last Glacial Maximum (LGM) and found consistently more intense and deeper AMOC transports relative to preindustrial simulations, counter to the paleoclimate consensus of LGM conditions, indicating that some processes are not well represented in the PMIP3 models. One challenge is to find adequate paleo observations against which to test these models. PMIP is now in phase 4 (part of CMIP6), which includes experiments covering five periods in Earth's history: the last millennium, last glacial maximum, last interglacial, and the mid-Pliocene. Newly compiled paleoclimate datasets from the PAGES2k project, more transient simulations, and participation of isotope enabled models planned for CMIP6PMIP4 will enable richer paleo data-model comparisons in the near future.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
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 enseignants0,052
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0000,001
Science ouverte0,0020,001
Intégrité de la recherche0,0000,001
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 Opus0,179
Tête enseignante GPT0,362
Écart entre enseignants0,183 · 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.

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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueORCA Online Research @Cardiff (Cardiff University)Même sujetGeology and Paleoclimatology ResearchTravaux en français237 207