A multi-model analysis of the decadal prediction skill for the North Atlantic ocean heat content
Notice bibliographique
Résumé
Abstract. Decadal predictions can skilfully forecast upper-ocean temperatures in many regions worldwide. The North Atlantic, in particular, shows high predictive skill for the ocean heat content (OHC). This multi-model study analyses eight CMIP6 climate models with comparable decadal prediction (Decadal Climate Prediction Project, DCPP) and historical (HIST) ensembles to document differences in North Atlantic (NA) upper-OHC skill and investigates the underlying causes. The decadal predictions consistently identify two main regions with high predictive capacity and added value of initialization: the Labrador Sea (LS) and the eastern North Atlantic. A region east of the Grand Banks (EGB) is also found to exhibit negative skill scores, with its extent and location varying widely across models, possibly due in part to observational uncertainties affecting both forecast verification and local initialization. Special attention is given to the Labrador Sea and its surroundings, a region characterized by high inter-model spread in OHC prediction skill in both DCPP and HIST experiments. These differences hinder the identification of the relative contributions of external forcings and internal variability to local OHC predictability. To address this, we explore the relationship between the local OHC skill in the HIST ensemble and various mean-state properties in the Labrador Sea, revealing a strong link between the skill in those experiments and both the mean local surface fluxes and density stratification. Benchmarking these mean-state properties against observations and reanalyses suggests that the multi-model mean likely offers the most realistic estimate of the forced signal, accounting for approximately 16 % of the total OHC variance in the Labrador Sea. These findings underscore the critical role of stratification and atmospheric forcing biases in shaping predictive skill and highlight the potential of multi-model ensembles to advance our understanding of decadal predictability.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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 ».