MétaCan
Menu
Retour à la cohorte
Enregistrement W2886003933 · doi:10.1175/jcli-d-18-0241.1

Impacts of Atmospheric Reanalysis Uncertainty on Atlantic Overturning Estimates at 25°N

2018· article· en· W2886003933 sur OpenAlexaboutno aff
Helen Pillar, H. L. Johnson, David P. Marshall, Patrick Heimbach, So Takao

Notice bibliographique

RevueJournal of Climate · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesNational Oceanic and Atmospheric AdministrationNatural Environment Research CouncilSight Research UKNational Aeronautics and Space Administration
Mots-clésClimatologyEnvironmental scienceAnomaly (physics)Climate modelThermohaline circulationFlux (metallurgy)Atmospheric sciencesClimate changeGeologyOceanographyPhysics

Résumé

récupéré en direct d'OpenAlex

Atmospheric reanalyses are commonly used to force numerical ocean models, but despite large discrepancies reported between different products, the impact of reanalysis uncertainty on the simulated ocean state is rarely assessed. In this study, the impact of uncertainty in surface fluxes of buoyancy and momentum on the modeled Atlantic meridional overturning at 25°N is quantified for the period January 1994–December 2011. By using an ocean-only climate model and its adjoint, the space and time origins of overturning uncertainty resulting from air–sea flux uncertainty are fully explored. Uncertainty in overturning induced by prior air–sea flux uncertainty can exceed 4 Sv (where 1 Sv ≡ 106 m3 s−1) within 15 yr, at times exceeding the amplitude of the ensemble-mean overturning anomaly. A key result is that, on average, uncertainty in the overturning at 25°N is dominated by uncertainty in the zonal wind at lags of up to 6.5 yr and by uncertainty in surface heat fluxes thereafter, with winter heat flux uncertainty over the Labrador Sea appearing to play a critically important role.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,101

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,013
Tête enseignante GPT0,266
Écart entre enseignants0,252 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of ClimateMême sujetClimate variability and modelsTravaux en français237 207