Improving GCM‐Based Decadal Ocean Carbon Flux Predictions Using Observationally‐Constrained Statistical Models
Notice bibliographique
Résumé
Abstract An essential step toward meeting agreed climate targets and policies is the ability to understand and predict near‐term changes in global carbon cycle, and importantly, ocean carbon uptake. Initialized climate model simulations have proven skillful for near‐term predictability of the key physical climate variables, for example, temperature, precipitation, etc. By comparison, predictions of biogeochemical fields like ocean carbon flux, are still emerging. Initial studies indicate skillful predictions are possible for lead‐times up to 6 years at global scale for some CMIP6 models. However, unlike core physical variables, biogeochemical variables are not directly initialized in existing decadal prediction systems, and extensive empirical parametrization of ocean‐biogeochemistry in Earth System Models introduces a significant source of uncertainty. Here we propose a new approach for improving the skill of decadal ocean carbon flux predictions using observationally‐constrained statistical models, as alternatives to the ocean‐biogeochemistry models. We use observations to train multi‐linear and neural‐network models to predict the ocean carbon flux. To account for observational uncertainties, we train using six different observational estimates of the flux. We then apply these trained statistical models using input predictors from the Canadian Earth System Model (CanESM5) decadal prediction system to produce new decadal predictions. Our hybrid GCM‐statistical approach significantly improves prediction skill, relative to the raw CanESM5 hindcast predictions over 1990–2019. Our hybrid‐model skill is also larger than that obtained by any available CMIP6 model. Using bias‐corrected CanESM5 predictors, we make forecasts for ocean carbon flux over 2020–2029. Both statistical models predict increases in the ocean carbon flux larger than the changes predicted from CanESM5 forecasts. Our work highlights the ability to improve decadal ocean carbon flux predictions by using observationally‐trained statistical models together with robust input predictors from GCM‐based decadal predictions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».