Evaluation of Surface Conditions from Operational Forecasts Using in situ Saildrone Observations in the Pacific Arctic
Notice bibliographique
Résumé
Abstract Observations from uncrewed surface vehicles (saildrones) in the Bering, Chukchi, and Beaufort Seas during June – September 2019 were used to evaluate initial conditions and forecasts with lead times up to 10 days produced by eight operational numerical weather prediction centers. Prediction error behaviors in pressure and wind are found to be different from those in temperature and humidity. For example, errors in surface pressure were small in short-range (<6 days) forecasts, but they grew rapidly with increasing lead time beyond 6 days. Non-weighted multi-model means outperformed all individual models approaching a 10-day forecast lead time. In contrast, errors in surface air temperature and relative humidity could be large in initial conditions and remained large through 10-day forecasts without much growth, and non-weighted multi-model means did not outperform all individual models. These results following the tracks of the mobile platforms are consistent with those at a fixed location. Large errors in initial condition of sea surface temperature (SST) resulted in part from the unusual Arctic surface warming in 2019 not captured by data assimilation systems used for model initialization. These errors in SST led to large initial and prediction errors in surface air temperature. Our results suggest that improving predictions of surface conditions over the Arctic Ocean requires enhanced in situ observations and better data assimilation capability for more accurate initial conditions as well as better model physics. Numerical predictions of Arctic atmospheric conditions may continue to suffer from large errors if they do not fully capture the large SST anomalies related to Arctic warming.
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 | 0,000 |
| 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) | 0,003 | 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 ».