Using models and satellite observations to evaluate the strength of snow albedo feedback
Notice bibliographique
Résumé
Snow albedo feedback (SAF) is important for global climate change, with strong regional impacts over northern continental areas. SAF calculated from the seasonal cycle is a good predictor of SAF in climate change among a suite of coupled climate models. A previous linear decomposition of the simulated total SAF (NET) found 80% was related to the albedo contrast of snow covered and snow‐free land (SNC), and 20% was related to the temperature dependence of snow albedo (TEM). By contrast, recent work using snow cover and surface albedo derived from APP‐x satellite observations found that TEM and SNC contributed almost equally to NET. In the present study, revised estimates of TEM and SNC for northern land areas are calculated for the period 1982–99 using a simplified and reproducible method for comparing SAF in models and observations. The observed NET is −1.11% K −1 , of which 69% comes from SNC and 31% from TEM; the approximate additivity of SNC and TEM indicates that these two terms fully explain the total SAF. Regionally, the SNC term dominates equatorward of 65°N, while TEM dominates over the Arctic. The mean of 17 CMIP3 climate models shows NET is 7% larger than observed, caused primarily by a bias in TEM equatorward of 65°N. A newer model (NCAR CCSM4) with improved land surface and snow schemes reproduces observed values of NET and SNC closely. However, TEM in all models examined is 50–100% weaker than observed over the Arctic. There is a strong correlation between SAF in the seasonal cycle and SAF in climate change for all components, but the correlation is weakest for TEM. The TEM term also exhibits a much larger spread in the seasonal cycle than in climate change, which partially explains a discrepancy between previous published studies examining TEM.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».