MétaCan
Menu
← Retour à la cohorte
Enregistrement W3173211329 · doi:10.5194/egusphere-egu21-14136

Using paleoclimate data to constrain cloud parameterizations in GISS-E2.1

2021· article· en· W3173211329 sur OpenAlexaff
Riovie D. Ramos, Allegra N. LeGrande, Michael L. Griffiths, Gregory S. Elsaesser, Daniel Litchmore, Jessica E. Tierney, Francesco S. R. Pausata, Jesse Nusbaumer

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeology and Paleoclimatology Research
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésPaleoclimatologyPrecipitationIsotopeSpeleothemAtmospheric sciencesChemistryPhysicsGeologyMeteorologyClimate changeGeographyOceanography

Résumé

récupéré en direct d'OpenAlex

Much of the inter-model spread in equilibrium climate sensitivity (ECS) estimates is attributed to cloud and convective parameterizations which model cloud and water vapor feedbacks. These parameterizations also directly influence water isotopes, which may be retrieved not only from modern observations, but also a plethora of paleoclimate archives that represent a much broader range of variability than is available in modern measurements. And thus, these water isotope tracers can be used to constrain ECS by flagging unrealistic parts of the parameterization phase space via model biases in a perturbed parameterization ensemble (PPE) of paleoclimate simulations. In this proof-of-concept study, we evaluate a suite of isotope-enabled atmosphere-only GISS-E2.1 simulations, each with varying cloud and convective perturbations, against speleothem and ice core δ18O for the Last Glacial Maximum (LGM, 21000 years ago), mid-Holocene (MH, 6000 years ago) and pre-Industrial periods. The first-order spatial pattern of δ18O of precipitation (δ18Op) is in excellent agreement between proxy data and all parameterizations across all time periods. While the simulations generally capture large scale δ18Op patterns, the magnitude of change is consistently smaller in all simulations than those of the proxies, highlighting uncertainties in both models and proxies. Not a single set of parameterizations worked well in all climate states, indicating that improving future simulations requires determining all plausible parameter combinations critical in refining ECS. Further, it may be that certain parameterization choices represent certain types of variability better than others, and there may be a non-unique solution to ideal clouds/convection parameterization choices that is modulated by the question asked.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,215
Tête enseignante GPT0,359
Écart entre enseignants0,144 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGeology and Paleoclimatology Research→Travaux en français237 207→