Quantifying the skill of CMIP5 models in simulating seasonal albedo and snow cover evolution
Notice bibliographique
Résumé
Abstract Effectively modeling the influence of terrestrial snow on climate in general circulation models is limited by imperfect knowledge and parameterization of arctic and subarctic climate processes and a lack of reliable observations for model evaluation and improvement. This study uses a number of satellite‐derived data sets to evaluate how well the current generation of climate models from the Fifth Coupled Model Intercomparison Project (CMIP5) simulate the seasonal cycle of climatological snow cover fraction (SCF) and surface albedo over the Northern Hemisphere snow season (September–June). Using a variety of metrics, the CMIP5 models are found to simulate SCF evolution better than that of albedo. The seasonal cycle of SCF is well reproduced despite substantial biases in simulated surface albedo of snow‐covered land ( α sfc_snow ), which affect both the magnitude and timing of the seasonal peak in α sfc_snow during the fall snow accumulation period, and the springtime snow ablation period. Insolation weighting demonstrates that the biases in α sfc_snow during spring are of greater importance for the surface energy budget. Albedo biases are largest across the boreal forest, where the simulated seasonal cycle of albedo is biased high in 15/16 CMIP5 models. This bias is explained primarily by unrealistic treatment of vegetation masking and subsequent overestimation (more than 50% in some cases) of peak α sfc_snow rather than by biases in SCF. While seemingly straightforward corrections to peak α sfc_snow could yield significant improvements to simulated snow albedo feedback, changes in α sfc_snow could potentially introduce biases in other important model variables such as surface temperature.
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 | 0,000 |
| 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) | 0,000 | 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 ».