On the Performance of the Canadian Land Surface Scheme Driven by the ERA5 Reanalysis over the Canadian Boreal Forest
Notice bibliographique
Résumé
Abstract The Canadian Land Surface Scheme (CLASS) has been applied over the years in coupled and uncoupled (offline) modes at local, regional, and global scales using various forcing datasets. In this study, CLASS is applied at a local scale in the offline configuration to evaluate its performance when driven by the ERA5 reanalysis. Simulated surface energy fluxes, as well as several other water balance components, are investigated at four sites across the Canadian boreal biome. The results from CLASS driven by ERA5 (CLASS-RNL) are compared with available in situ measurements, as well as with results from CLASS driven by observations (CLASS-CTL). Additional simulations are conducted to evaluate the effects of biases in the ERA5 precipitation, where CLASS is forced by ERA5 data, but with ERA5 precipitation being replaced by observed precipitation (CLASS-RNL-ObsP). The results show that simulated surface variables in CLASS-RNL are in good agreement with observations as well as with those simulated in CLASS-CTL. The CLASS-RNL captures well the observed annual cycles of the surface energy and water fluxes, as well as the year-to-year variation of snow depth, soil temperature, and soil moisture. A strong correlation is found between the observed and CLASS-RNL simulated snow depth and soil temperature. Biases in the ERA5 precipitation did not affect the simulation of soil state variables, whereas the simulated surface heat and water fluxes, as well as the snow depth, were significantly affected. For instance, the simulated runoff in CLASS-RNL is much higher than in CLASS-RNL-ObsP and CLASS-CTL at the most humid sites due to significant positive bias in ERA5 precipitation.
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 | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».