The Role of Ice Cover in Heavy Lake-Effect Snowstorms over the Great Lakes Basin as Simulated by RegCM4
Notice bibliographique
Résumé
Abstract A 20-km regional climate model, the Abdus Salam International Centre for Theoretical Physics Regional Climate Model version 4 (ICTP RegCM4), is employed to investigate heavy lake-effect snowfall (HLES) over the Great Lakes Basin and the role of ice cover in regulating these events. When coupled to a lake model and driven with atmospheric reanalysis data between 1976 and 2002, RegCM4 reproduces the major characteristics of HLES. The influence of lake ice cover on HLES is investigated through 10 case studies (2 per Great Lake), in which a simulated heavy lake-effect event is compared with a companion simulation having 100% ice cover imposed on one or all of the Great Lakes. These experiments quantify the impact of ice cover on downstream snowfall and demonstrate that Lake Superior has the strongest, most widespread influence on heavy snowfall and Lake Ontario the least. Ice cover strongly affects a wide range of atmospheric variables above and downstream of lakes during HLES, including snowfall, surface energy fluxes, wind speed, temperature, moisture, clouds, and air pressure. Averaged among the 10 events, complete ice coverage causes major reductions in lake-effect snowfall (>80%) and turbulent heat fluxes over the lakes (>90%), less low cloudiness, lower temperatures, and higher air pressure. Another important consequence is a consistent weakening (30%–40%) of lower-tropospheric winds over the lakes when completely frozen. This momentum reduction further decreases over-lake evaporation and weakens downstream wind convergence, thus mitigating lake-effect snowfall. This finding suggests a secondary, dynamical mechanism by which ice cover affects downstream snowfall during HLES events, in addition to the more widely recognized thermodynamic influence.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».