MétaCan
Menu
← Retour à la cohorte
Enregistrement W4387730493 · doi:10.1029/2023gl105156

Seasonal Changes in Atmospheric Heat Transport to the Arctic Under Increased CO<sub>2</sub>

2023· article· en· W4387730493 sur OpenAlexaff
Lily Hahn, Kyle C. Armour, David S. Battisti, Aaron Donohoe, Robert Fajber

Notice bibliographique

RevueGeophysical Research Letters · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensMcGill University
Organismes subventionnairesNational Oceanic and Atmospheric AdministrationNational Science Foundation
Mots-clésEnvironmental scienceArcticClimatologyArctic sea ice declineGlobal warmingSea iceArctic ice packAtmospheric sciencesSeasonalityForcing (mathematics)Arctic geoengineeringClimate changeOceanographySea ice thicknessGeologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Arctic warming under increased CO2 peaks in winter, but is influenced by summer forcing via seasonal ocean heat storage. Yet changes in atmospheric heat transport into the Arctic have mainly been investigated in the annual mean or winter, with limited focus on other seasons. We investigate the full seasonal cycle of poleward heat transport modeled with increased CO2 or with individually applied Arctic sea‐ice loss and global sea‐surface warming. We find that a winter reduction in dry heat transport is driven by Arctic sea‐ice loss and warming, while a summer increase in moist heat transport is driven by sub‐Arctic warming and moistening. Intermodel spread in Arctic warming controls spread in seasonal poleward heat transport. These seasonal changes and their intermodel spread are well‐captured by down‐gradient diffusive heat transport. While changes in moist and dry heat transport compensate in the annual‐mean, their opposite seasonality may support non‐compensating effects on Arctic warming.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,054
Score d'incertitude au seuil0,107

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,039
Tête enseignante GPT0,295
Écart entre enseignants0,257 · 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

Citations19
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical Research Letters→Même sujetClimate variability and models→Travaux en français237 207→