MétaCan
Menu
← Retour à la cohorte
Enregistrement W4321492702 · doi:10.5194/egusphere-egu23-1169

Improved simulation of extratropical North Atlantic atmosphere-ocean variability in HighResMIP models

2023· preprint· en· W4321492702 sur OpenAlexaboutno aff
Casey R. Patrizio, Panos Athanasiadis, Claude Frankignoul, Dorotea Iovino, Simona Masina, Luca Famooss Paolini, Silvio Gualdi

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClimatologyThermohaline circulationAtmosphere (unit)Ocean currentSea surface temperatureExtratropical cycloneTemperature salinity diagramsConvectionSalinityOceanographyEnvironmental scienceGeneral Circulation ModelGeologyClimate changeMeteorologyGeography

Résumé

récupéré en direct d'OpenAlex

The simulated North Atlantic atmosphere­–ocean variability is assessed in a subset of models from HighResMIP that have either low-resolution (LR) or high-resolution (HR) in their atmosphere and ocean model components. In general, the LR models overestimate the low-frequency variability of subpolar sea-surface temperature (SST) anomalies and underestimate their correlation with the NAO compared to ERA5 reanalysis. These biases are substantially reduced in the HR models, and it is shown that the improvements are related to a reduction of intrinsic (non-NAO-driven) variability of the subpolar ocean circulation.To understand the mechanisms behind the overestimated intrinsic subpolar ocean variability in the LR models, a link is demonstrated between the biases in subpolar ocean variability and known biases in the mean state of the Labrador-Irminger seas. Supporting previous studies, the Labrador-Irminger seas are found to be too cold and too fresh in the LR models compared to observations from EN4 and the HR models. This causes upper-ocean density and hence convection anomalies in this region to be more salinity-controlled in the LR models versus more temperature-controlled in the HR models. It is hypothesized that this may cause the excessive subpolar ocean variability in the LR models by 1) promoting a positive feedback between subpolar upper-ocean salinity, convection and Atlantic Meridional Overturning Circulation (AMOC) anomalies, and 2) weakening the negative feedback between subpolar upper-ocean temperature, convection and AMOC anomalies that is apparent in the HR models. The results overall suggest that mean ocean biases play an important role in the simulation of the variability of the extratropical ocean.

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 enseignants0,045
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,040
Tête enseignante GPT0,263
Écart entre enseignants0,223 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetClimate variability and models→Travaux en français237 207→