How Well Are Clouds Simulated over Greenland in Climate Models? Consequences for the Surface Cloud Radiative Effect over the Ice Sheet
Notice bibliographique
Résumé
Abstract Using lidar and radiative flux observations from space and ground, and a lidar simulator, we evaluate clouds simulated by climate models over the Greenland ice sheet, including predicted cloud cover, cloud fraction profile, cloud opacity, and surface cloud radiative effects. The representation of clouds over Greenland is a central concern for the models because clouds impact ice sheet surface melt. We find that over Greenland, most of the models have insufficient cloud cover during summer. In addition, all models create too few nonopaque, liquid-containing clouds optically thin enough to let direct solar radiation reach the surface (−1% to −3.5% at the ground level). Some models create too few opaque clouds. In most climate models, the cloud properties biases identified over all Greenland also apply at Summit, Greenland, proving the value of the ground observatory in model evaluation. At Summit, climate models underestimate cloud radiative effect (CRE) at the surface, especially in summer. The primary driver of the summer CRE biases compared to observations is the underestimation of the cloud cover in summer (−46% to −21%), which leads to an underestimated longwave radiative warming effect (CRE LW = −35.7 to −13.6 W m −2 compared to the ground observations) and an underestimated shortwave cooling effect (CRE SW = +1.5 to +10.5 W m −2 compared to the ground observations). Overall, the simulated clouds do not radiatively warm the surface as much as observed.
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 | 0,002 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».