Evaluation of WRF-Forecasts Over Siberia: Air Mass Formation, Clouds and Precipitation
Notice bibliographique
Résumé
The Weather Research and Forecasting (WRF) model was run as a regional model without data assimilation or nudging (31 36h-simulations) for July and December 2005 over a limited area domain covering Siberia to examine weather formation in an air-mass source region. The WRF-results were compared to NCEP1/NCAR-reanalysis, International Satellite Cloud Climatology Project, Global Precipitation Climatology Centre and Canadian Meteorological Centre data to assess model performance and identify shortcomings. WRF is capable of predicting air-mass formation. Simulation errors are within the error range of other models. The timing of best/worst agreement differs among quantities depending on their sensitivity to systematic (model deficiencies) and/or unsystematic errors (e.g. initial conditions). Overall, the WRF-results agree better with reanalysis for July than December. WRF-results and reanalysis agree best under persistent high pressure and worst during frontal passages and transition from one pressure regime to another. In July, WRF provides smaller diurnal amplitudes of 2m-temperature with up to 5.4 K lower, and 3.5 K higher values at 0000 and 1200 UTC than the reanalysis. In December, WRF overestimates 2m-temperature by 1.4 K. WRF-temperatures excellently agree with the reanalysis from 700 hPa to 300 hPa. Except during frontal passages, wind-speed shows positive bias. Typically root-mean-square errors and standard deviation of errors of wind-speed (temperature) increase (decrease) with height. In December, WRF has difficulty predicting the position and strength of the polar jet. WRF underestimates cloudiness and snow-depth, but overestimates precipitation. In July, predicted convective precipitation is related strongly to boundaries between different land-cover. WRF-predicted snow-depth strongly correlates with terrain and misses the observed fine features.
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 | 0,016 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».