Surface Temperature Probability Distributions in the NARCCAP Hindcast Experiment: Evaluation Methodology, Metrics, and Results
Notice bibliographique
Résumé
Abstract Methodology is developed and applied to evaluate the characteristics of daily surface temperature distributions in a six-member regional climate model (RCM) hindcast experiment conducted as part of the North American Regional Climate Change Assessment Program (NARCCAP). A surface temperature dataset combining gridded station observations and reanalysis is employed as the primary reference. Temperature biases are documented across the distribution, focusing on the median and tails. Temperature variance is generally higher in the RCMs than reference, while skewness is reasonably simulated in winter over the entire domain and over the western United States and Canada in summer. Substantial differences in skewness exist over the southern and eastern portions of the domain in summer. Four examples with observed long-tailed probability distribution functions (PDFs) are selected for model comparison. Long cold tails in the winter are simulated with high fidelity for Seattle, Washington, and Chicago, Illinois. In summer, the RCMs are unable to capture the distribution width and long warm tails for the coastal location of Los Angeles, California, while long cold tails are poorly realized for Houston, Texas. The evaluation results are repeated using two additional reanalysis products adjusted by station observations and two standard reanalysis products to assess the impact of observational uncertainty. Results are robust when compared with those obtained using the adjusted reanalysis products as reference, while larger uncertainties are introduced when standard reanalysis is employed as reference. Model biases identified in this work will allow for further investigation into associated mechanisms and implications for future simulations of temperature extremes.
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 | 0,020 | 0,002 |
| 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) | 0,000 | 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 ».