A new atmospheric dataset for forcing ice–ocean models: Evaluation of reforecasts using the Canadian global deterministic prediction system
Notice bibliographique
Résumé
Abstract Despite the availability of several atmospheric reanalyses (e.g. ERA‐Interim) there exists both considerable uncertainty in surface forcing fields for ice/ocean modelling and sensitivity to the choice of product used. Here we introduce a relatively high‐resolution alternative forcing dataset for ice–ocean models derived from the Canadian Meteorological Centre's (CMC) global deterministic prediction system (GDPS). A set of daily 30 h reforecasts is produced using the GDPS 33 km resolution model providing hourly atmospheric forcing fields for the period 2002–2011. The CMC GDPS reforecasts (CGRF) are compared with ERA‐Interim and several observational datasets to evaluate their suitability for forcing ocean models. In particular, the surface temperature, humidity and winds of the CGRF show equivalent biases to those found in ERA‐interim. Moreover, the higher resolution of the CGRF permit a more detailed representation of atmospheric structures and topographic steering, resulting in finer‐scale coastal features and wind‐stress curl. Although the CGRF dataset is not a reanalysis and thus is expected to be less well constrained by available observations, its higher resolution and small bias make it an attractive alternative for forcing ice‐ocean models.
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 | 0,000 |
| 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 | 0,001 | 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 ».