Precipitation Sensitivity to Surface Heat Fluxes over North America in Reanalysis and Model Data
Notice bibliographique
Résumé
Abstract A new methodology for assessing the impact of surface heat fluxes on precipitation is applied to data from the North American Regional Reanalysis (NARR) and to output from the Geophysical Fluid Dynamics Laboratory’s Atmospheric Model 2.1 (AM2.1). The method assesses the sensitivity of afternoon convective rainfall frequency and intensity to the late-morning partitioning of latent and sensible heating, quantified in terms of evaporative fraction (EF). Over North America, both NARR and AM2.1 indicate sensitivity of convective rainfall triggering to EF but no appreciable influence of EF on convective rainfall amounts. Functional relationships between the triggering feedback strength (TFS) metric and mean EF demonstrate the occurrence of stronger coupling for mean EF in the range of 0.6 to 0.8. To leading order, AM2.1 exhibits spatial distributions and seasonality of the EF impact on triggering resembling those seen in NARR: rainfall probability increases with higher EF over the eastern United States and Mexico and peaks in Northern Hemisphere summer. Over those regions, the impact of EF variability on afternoon rainfall triggering in summer can explain up to 50% of seasonal rainfall variability. However, the AM2.1 metrics also exhibit some features not present in NARR, for example, strong coupling extending northwestward from the central Great Plains into Canada. Sources of disagreement may include model hydroclimatic biases that affect the mean patterns and variability of surface flux partitioning, with EF variability typically much lower in NARR. Finally, the authors also discuss the consistency of their results with other assessments of land–precipitation coupling obtained from different methodologies.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».