Interannual variability of Arctic sea ice concentration and area for six climate model large ensembles and four observational datasets, 1979-2020
Notice bibliographique
Résumé
This dataset includes statistically resampled monthly time series data of Arctic sea ice area and gridded data for March and September for sea ice concentration for a selection of large ensemble climate models and observational datasets. Arctic sea ice concentrations and areas are resampled from all available members of six coupled climate models from the Coupled Model Intercomparison Project 5 (CMIP5). These six models are: The second generation Canadian Earth System Model (CanESM2), The Community Earth System Mode version 1 (CESM1), The Commonwealth Scientific and Industrial Research Organisation Global Climate Model Mark 3.6 (CSIRO MK3.6), The Geophysical Fluid Dynamics Laboratory Coupled Climate Model version 3 (GFDL CM3), Geophysical Fluid Dynamics Laboratory Earth System Model version 2 with Modular Ocean Model version 4.1 (GFDL ESM2M), Max Planck Institute Earth System Model version 1 (MPI ESM1). The Four observational datasets are The Hadley Centre Sea Ice and Sea Surface Temperature data set version 1 (HadISST1), The National Oceanic and Atmospheric Administration and National Snow and Ice Data Center Climate Data Record Version 4 (CDR), The The National Aeronautics and Space Administration Team Algorithm (NT), and the The National Aeronautics and Space Administration Bootstrap Team Algorithm (BT). The sea ice area data is resampled 10,000 times and then the standard deviation of those resamplings is calculated, which can be considered analagous to interannual variability of sea ice area (SIA). The standard deviation (sigma) and mean (mu) of these data represent the variability and typical values respectively of interannual variability found in each ensemble member or observational dataset. Sea ice concentration is resampled 1000 times with the same standard deviation and mean metrics for sea ice concentration. This dataset was created to evaluate climate model projections of Arctic sea ice interannual variability and is used in the article Wyburn-Powell, Jahn, England (2022), Modeled Interannual Variability of Arctic Sea Ice Cover is Within Observational Uncertainty, Journal of Climate, https://doi.org/10.1175/JCLI-D-21-0958.1. This work was conducted at the University of Colorado Boulder from 2020-2022. The figures from the Journal of Climate article can be reproduced from the following datasets. The code used to create the datasets can be located at https://www.doi.org/10.5281/zenodo.6687725. - Figure 1: Sigma_obs_SIA.nc - Figure 2: Sigma_obs_SIA.nc, Mu_obs_SIA.nc, Sigma_mem_SIA.nc, Mu_mem_SIA.nc - Figure 3: Sigma_mem_varying_time_periods_1965_2066_03.nc, Sigma_LE_varying_time_periods_1965_2066_03.nc, Sigma_LE_varying_time_periods_1970_2040_09.nc, Sigma_obs_varying_time_periods_1953_2020.nc - Figure 4: Sigma_obs_SIA.nc, Sigma_mem_SIA.nc - Figure 5: Sigma_obs_SIA.nc - Figure 6: <model_name>_resampled_0<month>_individual.nc, <observational_dataset>_resampled_individual_1979_2020_03_09.nc - Figure 7: Sigma_obs_SIA.nc, Mu_obs_SIA.nc, Sigma_mem_SIA.nc, Mu_mem_SIA.nc - Figure 8: <model_name>_resampled_0<month>_individual.nc, <observational_dataset>_resampled_individual_1979_2020_03_09.nc - Figure 9: Sigma_mem_SIA.nc, Sigma_LE_SIA.nc
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».