Identification of Forcing Mechanisms Driving Interannual Sea Level Variations along the US West Coast
Notice bibliographique
Résumé
The US West Coast is subject to extreme sea level variations on interannual timescales that can exceed the long-term sea level rise trend by an order of magnitude or more. It is well established that sea level anomalies along the US West Coast are correlated with the multivariate El Nino/Southern Oscillation index, the Pacific Decadal Oscillation index, and the Pacific-North America index. Each of these indices are themselves associated with large-scale atmospheric forcing anomalies which then begs the question: exactly which atmospheric forcing anomalies are responsible for driving the observed interannual coastal sea surface variations? In this study we employ a global ocean state estimate from the ECCO Consortium and its adjoint to 1) identify the dynamical sensitivity pathways that link atmospheric forcing anomalies to US West Coast sea level anomalies and 2) quantify the relative contributions of local and nonlocal wind stress, buoyancy forcing, and air/sea freshwater fluxes to past interannual sea level variations. The main findings build on earlier research (e.g., Verdy et al. 2014) that show that on timescales longer than 1 day, nonlocal winds are overwhelming responsible for driving sea level anomalies. Extending previous work, we find that the relevant wind stress anomalies can be split into two well-defined regions: a near-coastal box spanning the equator to the US/Canadian border (where alongshore wind stress anomalies generate coastally-trapped waves) and an offshore box spanning the entire Pacific Ocean between 10S and 10N (where zonal wind stress anomalies generate equatorial Kelvin waves. Finally, we describe the implications for improving predictions of US West Coast sea level anomalies.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».