Modeling drifting snow in Antarctica with a regional climate model: 1. Methods and model evaluation
Notice bibliographique
Résumé
To simulate the impact of drifting snow on the lower atmosphere, surface characteristics and surface mass balance (SMB) of the Antarctic ice sheet regional atmospheric climate model (RACMO2.1/ANT) with horizontal resolution of 27 km is coupled to a drifting snow routine and forced by ERA‐Interim fields at its lateral boundaries (1989–2009). This paper evaluates the near‐surface and drifting snow climate of RACMO2.1/ANT. Modeled near‐surface wind speed (squared correlation coefficient R 2 = 0.64) and temperature ( R 2 = 0.93) agree well with observations. Wind speed is underestimated in topographically complex areas, where observed wind speeds are locally very high (>20 m s −1 ). Temperature is underestimated in winter in coastal areas due to an underestimation of downward longwave radiation. Near‐surface temperature and wind speed are not significantly affected by the inclusion of drifting snow in the model. In contrast, relative humidity with respect to ice increases in regions with strong drifting snow and becomes more consistent with the observations. Drifting snow frequency is the only observable parameter to directly validate drifting snow results; therefore, we derived an empirical relation for fresh snow density, as a function of wind speed and temperature, which determines the threshold wind speed for drifting snow. Modeled drifting snow frequencies agree well with in situ measurements and novel estimates from remote sensing. Finally, we show that including drifting snow is essential to obtaining a realistic extent and spatial distribution of ablation (SMB < 0) areas.
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 | 0,004 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».