Cloud‐Resolving Model Intercomparison of an MC3E Squall Line Case: Part II. Stratiform Precipitation Properties
Notice bibliographique
Résumé
Abstract In this second part of a cloud microphysics scheme intercomparison study, we focus on biases and variabilities of stratiform precipitation properties for a midlatitude squall line event simulated with a cloud‐resolving model implemented with eight cloud microphysics schemes. Most of the microphysics schemes underestimate total stratiform precipitation, mainly due to underestimation of stratiform precipitation area. All schemes underestimate the frequency of moderate stratiform rain rates (2–6 mm/hr), which may result from low‐biased ice number and mass concentrations for 0.2–2‐mm diameter particles in the stratiform ice region. Most simulations overestimate ice water content (IWC) at altitudes above 7 km for temperatures colder than −20 °C but produce a decrease of IWC approaching the melting level, which is opposite to the trend shown by in situ observations. This leads to general underestimations of stratiform IWC below 5‐km altitude and rainwater content above 1‐km altitude for a given rain rate. Stratiform precipitation area positively correlates with the convective condensate detrainment flux but is modulated by hydrometeor type, size, and fall speed. Stratiform precipitation area also changes by up to 17%–25% through alterations of the lateral boundary condition forcing frequency. Stratiform precipitation, rain rate, and area across the simulations vary by a factor of 1.5. This large variability is primarily a result of variability in the stratiform downward ice mass flux, which is highly correlated with convective condensate horizontal detrainment strength. The variability of simulated local microphysical processes in the stratiform region plays a secondary role in explaining variability in simulated stratiform rainfall properties.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».