MétaCan
Menu
Retour à la cohorte
Enregistrement W4416300637 · doi:10.5194/gmd-18-8535-2025

Evaluating the E3SMv2-MPAS ocean–sea ice coupled unstructured model in the Arctic: Atlantification processes and systematic biases

2025· article· en· W4416300637 sur OpenAlexaboutno aff
Xinyuan Lv, Huizan Wang, Yu Cao, Kaijun Ren, Yangjun Wang, Hao Ding

Notice bibliographique

RevueGeoscientific model development · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueArctic and Antarctic ice dynamics
Établissements canadiensnon disponible
Organismes subventionnairesNational Key Research and Development Program of ChinaScience and Technology Program of Hunan ProvinceHunan Provincial Science and Technology DepartmentNational Natural Science Foundation of China
Mots-clésThermohaline circulationSea iceArcticArctic ice packLead (geology)Climate modelNorthern HemispherePolar

Résumé

récupéré en direct d'OpenAlex

Advancing high-resolution Arctic ocean–sea ice modeling is critical for understanding polar amplification and improving climate projections but faces challenges from computational limits and cross-scale interactions. The simulation capabilities of the ocean–sea ice coupled model (E3SMv2-MPAS) from the Energy Exascale Earth System Model (E3SM) 2.1 for the Arctic ocean–sea ice system are systematically evaluated using multi-source observational data. The model employs a latitudinally varying mesh, with resolution increasing from 60 km in the Southern Hemisphere to 10 km in the Arctic. This design balances computational efficiency with the accurate integration of low-latitude oceanic influences, while the unstructured mesh also enhances the geometric representation of Arctic straits. Together, these features form a simulation framework capable of resolving processes from seasonal to decadal timescales. Numerical results demonstrate E3SMv2-MPAS's superior Arctic simulation performance: (1) accurate reproduction of spatial heterogeneity in sea ice concentration, thickness, and sea surface temperature, including their 1995–2020 trend patterns; (2) faithful reproduction of both the freshwater content and transports through key Arctic gateways; (3) successful reconstruction of three-dimensional thermohaline structures within the Atlantic Water layer, capturing Atlantic Water's decadal warming trends and accelerated Atlantification processes – specifically mid-layer shoaling, heat content amplification, and reduced heat transfer lag times in the Eurasian Basin. Persistent systematic biases are identified: 0.5–1 m sea ice thickness overestimation in the Canadian Basin; Coordinated sea surface temperature/salinity underestimation and sea ice concentration overestimation in the Greenland and Barents Seas; Atlantic Water core temperature overestimation; Regional asymmetries in decadal thermohaline field evolution.

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)0,003
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 enseignants0,074
Score d'incertitude au seuil0,146

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,047
Tête enseignante GPT0,277
Écart entre enseignants0,230 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeoscientific model developmentMême sujetArctic and Antarctic ice dynamicsTravaux en français237 207