Land Surface Model influence on the simulated climatologies of extreme temperature and precipitation events within the WRF model over North America
Notice bibliographique
Résumé
The representation and projection of extreme temperature and precipitation events in climate models are of major importance for developing polices to build communities’ resilience in the face of climate change. However, state-of-the-art global and regional climate model simulations yield a broad inter-model range of intensities, durations and frequencies of these extremes. Here, we present a modeling experiment using the Weather Research and Forecasting (WRF) Regional Climate Model (RCM) to determine the influence of the choice of land surface model (LSM) component on the uncertainty in the simulation of extreme event statistics. First, we evaluate land-atmosphere interactions within four simulations performed with the WRF model coupled to three different LSMs from 1980 to 2012 over North America. Results show regional differences among simulations for the frequency of events when surface conditions are altered by atmospheric forcing or by land surface processes. Second, we find a large inter-model range of extreme statistics across the ensemble of WRF-LSM simulations. This is particularly the case for indices related to the intensity and duration of temperature and precipitation extremes. Regions displaying large uncertainty in the WRF simulation of extreme events are also identified in a model ensemble experiment carried out with three different RCMs participating in the Coordinated Regional Climate Downscaling Experiment (CORDEX) project. This agreement between the model simulations performed in this work and the set of CORDEX simulations suggests that the implications of our results are valid for other model ensembles. This study illustrates the importance of supporting the development of new multi-LSM modeling studies to understand inter-model differences in simulating extreme events, ultimately helping to narrow down the range across climate model projections.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».