Dynamical Consistency of Reanalysis Datasets in the Extratropical Stratosphere
Notice bibliographique
Résumé
Abstract Reanalysis data provide a good estimate of global atmospheric temperature and wind fields. However, the available reanalysis datasets reveal nonnegligible discrepancies in their mean state and temporal variability. In this study, the quality of eight reanalysis datasets is evaluated by examining their dynamical consistency in the extratropical stratosphere. The dynamical consistency is quantified by computing the residual of the zonal-mean momentum equation. The residual is generally small in the lower stratosphere, especially at and below 30 hPa, but increases significantly aloft in both hemispheres poleward of 45°, where the effect of parameterized gravity wave drag becomes important. However, at most levels, a large difference in the residual is found among the datasets. This interdata difference is mainly caused by an uncertainty in the Coriolis torque. The non-quasigeostrophic terms, such as those associated with the vertical motion, also play a nonnegligible role when the polar vortex accelerates or decelerates. The latest reanalysis datasets exhibit smaller residuals than their earlier counterparts. For example, ERA-Interim is dynamically more consistent than ERA-40. This improvement over the generations is largely attributed to a better representation of the Coriolis torque. This is not likely achieved by the increase in satellite data observations over the past few decades. In fact, the dynamical consistency is only weakly sensitive to the analysis period. Instead, model-specific factors, such as data assimilation technique, model resolution, and physics, likely play a crucial role in improving the dynamical consistency.
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 | 0,000 | 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) | 0,001 | 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 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 ».