An Evaluation of Snow Initializations in NCEP Global and Regional Forecasting Models
Notice bibliographique
Résumé
Abstract Snow plays a major role in land–atmosphere interactions, but strong spatial heterogeneity in snow depth (SD) and snow water equivalent (SWE) makes it challenging to evaluate gridded snow quantities using in situ measurements. First, a new method is developed to upscale point measurements into gridded datasets that is superior to other tested methods. It is then utilized to generate daily SD and SWE datasets for water years 2012–14 using measurements from two networks (COOP and SNOTEL) in the United States. These datasets are used to evaluate daily SD and SWE initializations in NCEP global forecasting models (GFS and CFSv2, both on 0.5° × 0.5° grids) and regional models (NAM on 12 km × 12 km grids and RAP on 13 km × 13 km grids) across eight 2° × 2° boxes. Initialized SD from three models (GFS, CFSv2, and NAM) that utilize Air Force Weather Agency (AFWA) SD data for initialization is 77% below the area-averaged values, on average. RAP initializations, which cycle snow instead of using the AFWA SD, underestimate SD to a lesser degree. Compared with SD errors, SWE errors from GFS, CFSv2, and NAM are larger because of the application of unrealistically low and globally constant snow densities. Furthermore, the widely used daily gridded SD data produced by the Canadian Meteorological Centre (CMC) are also found to underestimate SD (similar to GFS, CFSv2, and NAM), but are worse than RAP. These results suggest an urgent need to improve SD and SWE initializations in these operational 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 | 0,000 | 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 ».