MétaCan
Menu
Retour à la cohorte
Enregistrement W4282932473 · doi:10.1038/s41598-022-13568-5

Exceptional warming over the Barents area

2022· article· en· W4282932473 sur OpenAlexfundno aff
Ketil Isaksen, Øyvind Nordli, Б. В. Иванов, Morten A. Ø. Køltzow, Signe Aaboe, Herdis M. Gjelten, Abdelkader Mezghani, Steinar Eastwood, Eirik J. Førland, Rasmus Benestad, Inger Hanssen‐Bauer, Ragnar Brækkan, Pavel N. Sviashchennikov, В. И. Демин, Анастасия Ревина, Tatiana Karandasheva

Notice bibliographique

RevueScientific Reports · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueClimate change and permafrost
Établissements canadiensnon disponible
Organismes subventionnairesKlima- og miljødepartementetSaint Petersburg State UniversityAlberta Agricultural Research Institute
Mots-clésWarming upGlobal warmingEnvironmental scienceClimate changeEcologyMedicineBiologyPhysiology

Résumé

récupéré en direct d'OpenAlex

In recent decades, surface air temperature (SAT) data from Global reanalyses points to maximum warming over the northern Barents area. However, a scarcity of observations hampers the confidence of reanalyses in this Arctic hotspot region. Here, we study the warming over the past 20-40 years based on new available SAT observations and a quality controlled comprehensive SAT dataset from the northern archipelagos in the Barents Sea. We identify a statistically significant record-high annual warming of up to 2.7 °C per decade, with a maximum in autumn of up to 4.0 °C per decade. Our results are compared with the most recent global and Arctic regional reanalysis data sets, as well as remote sensing data records of sea ice concentration (SIC), sea surface temperature (SST) and high-resolution ice charts. The warming pattern is primarily consistent with reductions in sea ice cover and confirms the general spatial and temporal patterns represented by reanalyses. However, our findings suggest even a stronger rate of warming and SIC-SAT relation than was known in this region until now.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,426
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,1250,000

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 Opus0,046
Tête enseignante GPT0,245
Écart entre enseignants0,199 · 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

Citations244
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetClimate change and permafrostTravaux en français237 207