The surface radiation budget over North America: gridded data assessment and evaluation of regional climate models
Notice bibliographique
Résumé
Abstract While surface station observations of downwelling radiation offer accuracy at high temporal resolution, they do not easily allow an evaluation of model surface radiation budgets (SRB) over a wide geographical area. We evaluate three gridded SRB data sets against detailed observations from six surface radiation sites from the US surface radiation (SURFRAD) network. We subsequently use the most accurate surrogate observational data set for evaluation of model‐simulated SRB. The data sets assessed are: ERA40—reanalysis of European Centre for Medium‐Range Weather Forecasts (ECMWF), North American Regional Reanalysis (NARR)—regional reanalysis of National Centres for Environmental Prediction (NCEP) and the surface radiative budget (SRB) from the International Satellite Cloud Climatology Project (ISCCP). Due to varying constraints with respect to temporal coverage of each data set, the evaluation period used in this study is 1996–2001, inclusive. The ERA40 downwelling longwave radiation (DLR) appears the most accurate surrogate observation, while both ERA40 and ISCCP show accurate results when the incoming shortwave radiation (ISR) is considered across the annual cycle. Winter DLR is less accurate in ISCCP with a positive bias and lack of very low (<200 Wm −2 ) flux values. The NARR SRB shows a large positive bias in the ISR throughout the annual cycle, linked to a significant underestimate of cloud cover. The ERA40 data are subsequently used to evaluate the simulated SRB in three regional climate models across North America. With respect to solar radiation, cloud cover biases are seen to be crucial, while for longwave fluxes both cloud fraction and in‐cloud water content are important to simulate correctly. Inclusion of trace gases beyond H 2 O, CO 2 and O 3 appears necessary for an accurate calculation of clear‐sky longwave radiation. Error compensation frequently occurs between the various components contributing to a model total‐sky SRB. This is important to consider when trying to identify the underlying causes of errors in the simulated total SRB. Copyright © 2009 Royal Meteorological Society
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 | 0,002 | 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 | 0,001 | 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 ».