Realistic Initialization of Land Surface States: Impacts on Subseasonal Forecast Skill
Notice bibliographique
Résumé
Abstract Forcing a land surface model (LSM) offline with realistic global fields of precipitation, radiation, and near-surface meteorology produces realistic fields (within the context of the LSM) of soil moisture, temperature, and other land surface states. These fields can be used as initial conditions for precipitation and temperature forecasts with an atmospheric general circulation model (AGCM). Their usefulness is tested in this regard by performing retrospective 1-month forecasts (for May through September, 1979–93) with the NASA Global Modeling and Assimilation Office (GMAO) seasonal prediction system. The 75 separate forecasts provide an adequate statistical basis for quantifying improvements in forecast skill associated with land initialization. Evaluation of skill is focused on the Great Plains of North America, a region with both a reliable land initialization and an ability of soil moisture conditions to overwhelm atmospheric chaos in the evolution of the meteorological fields. The land initialization does cause a small but statistically significant improvement in precipitation and air temperature forecasts in this region. For precipitation, the increases in forecast skill appear strongest in May through July, whereas for air temperature, they are largest in August and September. The joint initialization of land and atmospheric variables is considered in a supplemental series of ensemble monthly forecasts. Potential predictability from atmospheric initialization dominates over that from land initialization during the first 2 weeks of the forecast, whereas during the final 2 weeks, the relative contributions from the two sources are of the same order. Both land and atmospheric initialization contribute independently to the actual skill of the monthly temperature forecast, with the greatest skill derived from the initialization of both. Land initialization appears to contribute the most to monthly precipitation forecast skill.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».