Evaluation of air–soil temperature relationships simulated by land surfacemodels during winter across the permafrost region
Notice bibliographique
Résumé
Abstract. A realistic simulation of snow cover and its thermal properties are important for accurate modelling of permafrost. We analyse simulated relationships between air and near-surface (20 cm) soil temperatures in the Northern Hemisphere permafrost region during winter, with a particular focus on snow insulation effects in nine land surface models, and compare them with observations from 268 Russian stations. There are large cross-model differences in the simulated differences between near-surface soil and air temperatures (ΔT; 3 to 14 °C), in the sensitivity of soil-to-air temperature (0.13 to 0.96 °C °C−1), and in the relationship between ΔT and snow depth. The observed relationship between ΔT and snow depth can be used as a metric to evaluate the effects of each model's representation of snow insulation, hence guide improvements to the model's conceptual structure and process parameterisations. Models with better performance apply multilayer snow schemes and consider complex snow processes. Some models show poor performance in representing snow insulation due to underestimation of snow depth and/or overestimation of snow conductivity. Generally, models identified as most acceptable with respect to snow insulation simulate reasonable areas of near-surface permafrost (13.19 to 15.77 million km2). However, there is not a simple relationship between the sophistication of the snow insulation in the acceptable models and the simulated area of Northern Hemisphere near-surface permafrost, because several other factors, such as soil depth used in the models, the treatment of soil organic matter content, hydrology and vegetation cover, also affect the simulated permafrost distribution.
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) | 0,003 | 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 ».