MétaCan
Menu
Retour à la cohorte
Enregistrement W7070945291

Quantifier l'évolution future de la variabilité interne du climat dans le nord du Québec et du Labrador

2024· other· fr· W7070945291 sur OpenAlexaboutno aff

Notice bibliographique

RevueArchipelago (University of Quebec in Montreal) · 2024
Typeother
Languefr
DomaineComputer Science
ThématiqueMathematics, Computing, and Information Processing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental factorEnvironmental effectWestern europeStatistical analysis
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Le climat du Nunavik et du Nunatsiavut est aux premières loges de la hausse de température moyenne qui s’opère globalement depuis quelques décennies. Effectivement, le climat arctique se réchauffe à un rythme plus rapide que le reste du monde (de deux à quatre fois plus vite; Rantanen et al. 2022). Ceci a comme effets de diminuer l’étendue et l’épaisseur de la glace de mer, dégeler le pergélisol, écourter la saison de neige au sol, pour ne citer que quelques-uns. Ces processus affectent les communautés, la flore et la faune nordiques, mais ils jouent aussi un rôle de rétroaction positive sur l’augmentation de température, exacerbant ainsi encore plus le réchauffement aux hautes latitudes. L’étude de cette tendance est donc critique afin d’anticiper les changements qui se manifesteront durant les prochaines décennies. Or, il s’avère difficile de bien discerner ce signal climatique dans les hautes latitudes. Effectivement, le climat nordique est caractérisé par une très forte variabilité, ce qui occulte les tendances locales à long terme de la température de l’air près de la surface (TAS) et rendant plus difficile son analyse. L’avancement de la connaissance sur la variabilité du Nunavik et du Nunatsiavut contribue donc directement à un meilleur discernement du signal de changement climatique dans cette région. Dans le cadre de ce mémoire, nous examinons l’évolution de la variabilité interannuelle de TAS et de l’équivalent en eau de la neige (EEN) durant les saisons d’hiver et du printemps dans le nord du Québec et au Labrador à l’aide du grand ensemble ClimEx. Cet ensemble est constitué de 50 simulations et est basé sur une mise à l’échelle dynamique du grand ensemble global CanESM2-LE faite au moyen de la version 5 du Modèle régional canadien du climat (MRCC5). Spécifiquement, nous avons évalué l’évolution de la moyenne, la variance, ainsi que les extrêmes de l’ensemble pour ces variables au cours du 21e siècle en comparant leurs valeurs au début (2000-2019) et à la fin (2080-2099) du siècle. Nos résultats indiquent une diminution de la variabilité du TAS (30% − 90%) sur l’ensemble du domaine, ce qui semble être principalement causé par l’affaiblissement du gradient latitudinal de température entre le pôle et l’équateur. La diminution de la variabilité de TAS la plus élevée (∼ 90%) se produit sur les bassins océaniques environnants en hiver, ce qui suggère que la perte de glace de mer est une contribution additionnelle à la diminution de la variabilité interannuelle. À l’intérieur des terres, la variabilité de TAS augmente en avril (10% − 20%) et en mai (10% − 90%) sur certaines régions, augmentation qui pourrait être due au déplacement vers le nord de la ligne de neige printanière et aux changements qui résultent de la rétroaction de l’albédo de la neige printanière. La variabilité de l’EEN présente également des changements significatifs, avec une légère diminution en hiver (jusqu’à −30%), ainsi qu’une augmentation allant jusqu’à +30% sur la côte de la Baie d’Hudson. Un dipôle nord-sud de croissance-décroissance est observée de mars (de −40% à 40%) à mai (de −90% à 80%). Notre analyse suggère que ce patron serait causé par la migration vers le nord de la ligne de neige printanière dans un climat futur plus chaud. Ces résultats soulignent la complexité des interactions entre les composantes du système climatique et leurs impacts sur la variabilité de TAS et d’EEN de la région et mettent en évidence l’importance de bien comprendre la variabilité pour améliorer les projections climatiques futures.

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)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,007
Tête enseignante GPT0,201
Écart entre enseignants0,194 · 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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArchipelago (University of Quebec in Montreal)Même sujetMathematics, Computing, and Information ProcessingTravaux en français237 207