MétaCan
Menu
← Retour à la cohorte
Enregistrement W3093807607 · doi:10.5194/egusphere-egu2020-7280

Autumn Arctic predictors and predictions for winter marine cold air outbreaks over the Barents Sea

2020· article· en· W3093807607 sur OpenAlexaboutno aff
Iuliia Polkova, Hilla Afargan‐Gerstman, Daniela I. V. Domeisen, Martin King, Paolo Ruggieri, Panos Athanasiadis, Mikhail Dobrynin, Johanna Baehr

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceOceanographyArcticSea icePredictabilityClimatologyArctic ice packSea surface temperatureAtmospheric sciencesGeology

Résumé

récupéré en direct d'OpenAlex

The air temperature over Arctic sea ice can fall strongly below 0°C, while for adjacent areas of open water, sea surface temperature remains close to freezing. This creates a strong temperature gradient across the sea ice edge. Transports of cold air masses from the sea ice toward open ocean water, known as marine cold air outbreaks (MCAOs), modify vertical stability of the atmospheric column and thus can create conditions favorable for the formation of hazardous maritime cyclones (polar lows), which pose risks to marine and coastal infrastructure and society. For marine management, MCAO predictions would be highly beneficial. Previous studies analyze the genesis of MCAOs, while predictability and large-scale drivers of MCAOs remain poorly understood. We investigate (i) the ability of the Earth System Model from the Max-Planck Institute for Meteorology (MPI-ESM) to predict MCAOs at a seasonal timescale and (ii) options to improve predictability of MCAOs through their large-scale drivers. To identify MCAO preconditions, we utilize the atmospheric reanalysis ERA-Interim using lagged cross-correlation analysis, composite analysis, and causal effect network (CEN). Our results show that the MPI-ESM has high prediction skill for MCAOs over the Barents Sea (BS), Greenland-Iceland-Norwegian Seas and the Labrador Sea for about 2-2.5 weeks ahead starting from the November and February initial conditions. This holds for the prediction skill analyzed from daily model output. For MCAO properties such as extreme MCAO values occurring during a month, or the frequency of MCAO events per month, we find high prediction skill for up to a month ahead. Whereas the lagged cross-correlation analysis indicates a relationship between September and October atmospheric circulation and sea ice conditions with November BS-MCAOs, the CEN identifies the causal link only from the Arctic sea ice cover.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,104
Score d'incertitude au seuil0,206

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,010
Tête enseignante GPT0,197
Écart entre enseignants0,187 · 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'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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetArctic and Antarctic ice dynamics→Travaux en français237 207→