Diagnosing the Impacts of Northern Hemisphere Surface Albedo Biases on Simulated Climate
Notice bibliographique
Résumé
Abstract Many Earth system models contain substantial biases in the magnitude and seasonal cycle of the albedo of snow-covered surfaces. Various structural and parametric deficiencies have been identified as potential causes of these albedo biases, related to vegetation distribution and abundance, snow albedo, and the representation of snow interception by forest canopies. There is, however, little understanding of how the albedo biases directly influence simulated climate because of difficulties in isolating them from other complex processes and feedbacks. In this study, we conduct a number of novel simulations using the National Center for Atmospheric Research Community Earth System Model (CESM), replacing the model’s internal surface albedo calculation with values prescribed from observations or from other model simulations. Results show that while biases in surface albedo are largest in winter, those during spring have the greatest impact on surface climate because incoming solar radiation is much stronger. Correcting biases in the seasonal cycle of albedo in CESM reduces climatological temperature biases across the boreal region in spring and partially corrects Arctic sea level pressure biases, but due to compensating errors, overall climate biases are not always reduced. Additionally, we impose albedo patterns extracted from other climate models with large positive and negative albedo biases to illustrate the climate responses that can result. Prescribed surface albedo produces significant impacts on surface radiation, near-surface land temperatures, and, more rarely, atmospheric circulation. This is important because small changes to mean climate during spring can have major implications for the snow and surface radiation regimes.
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) | 0,005 | 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 ».