MétaCan
Menu
Retour à la cohorte
Enregistrement W3095930085 · doi:10.1126/sciadv.abc4699

Increasing riverine heat influx triggers Arctic sea ice decline and oceanic and atmospheric warming

2020· article· en· W3095930085 sur OpenAlexaff
Hotaek Park, Eiji Watanabe, Youngwook Kim, Igor V. Polyakov, Kazuhiro Oshima, Xiangdong Zhang, John S. Kimball, Daqing Yang

Notice bibliographique

RevueScience Advances · 2020
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesOffice of the DirectorNorges ForskningsrådNational Aeronautics and Space AdministrationU.S. Department of Energy
Mots-clésSea iceArcticEnvironmental scienceArctic ice packOceanographyThe arcticArctic sea ice declineClimatologyArctic geoengineeringCryosphereGlobal warmingClimate changeDrift iceGeology

Résumé

récupéré en direct d'OpenAlex

Arctic river discharge increased over the last several decades, conveying heat and freshwater into the Arctic Ocean and likely affecting regional sea ice and the ocean heat budget. However, until now, there have been only limited assessments of riverine heat impacts. Here, we adopted a synthesis of a pan-Arctic sea ice-ocean model and a land surface model to quantify impacts of river heat on the Arctic sea ice and ocean heat budget. We show that river heat contributed up to 10% of the regional sea ice reduction over the Arctic shelves from 1980 to 2015. Particularly notable, this effect occurs as earlier sea ice breakup in late spring and early summer. The increasing ice-free area in the shelf seas results in a warmer ocean in summer, enhancing ocean-atmosphere energy exchange and atmospheric warming. Our findings suggest that a positive river heat-sea ice feedback nearly doubles the river heat effect.

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 enseignants0,195
Score d'incertitude au seuil0,510

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
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 Opus0,008
Tête enseignante GPT0,222
Écart entre enseignants0,213 · 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

Citations110
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207