Increase in Near-Surface Temperature Simulation Skill due to Predictive Soil Moisture in a Numerical Seasonal Simulation under Observed SST Forcing
Notice bibliographique
Résumé
Abstract Two sets of 12-yr eight-member ensemble integrations were run with the Experimental Climate Prediction Center’s (ECPC) seasonal forecast model (SFM) to investigate the sensitivity of near-surface temperature skill to evolving soil moisture. The first ensemble had evolving soil moisture, which was fully interactive with the atmospheric component of the model. The second ensemble had soil moisture fixed to the monthly climatological value. Several regions showed an increase in skill in the evolving soil moisture ensemble, including northeastern Australia, southeastern Africa, Europe, northern Brazil, Western Australia, northwestern Russia, Argentina, western Canada, and Indo-China. A survey of these regions showed that most had sensitivity to soil moisture following a peak rainy season, and of those, most also had a high soil moisture time-lag correlation (soil moisture memory) at that time. In a few of the regions high year-to-year soil moisture variability was an additional potential source of soil moisture sensitivity. The sensitivity to soil moisture is considered both in terms of actual predictability (anomaly correlation with observations) and theoretical potential predictability. It was found that the regions listed above, with evolving soil moisture, have anomaly correlations that are close to the potential predictability, suggesting that the model estimates near-surface temperature in these regions as well as could be expected. However, it was also found that when comparing the two sets of integrations, improvements in potential predictability of one ensemble over the other did not necessarily give a reasonable estimate to improvements in anomaly correlation.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».