Extreme Precipitation in the Eastern Canadian Arctic and Greenland: An Evaluation of Atmospheric Reanalyses
Notice bibliographique
Résumé
Extreme precipitation events are becoming more common in the Arctic as the climate warms, but characterizing these events is notoriously challenging. Atmospheric reanalyses have become popular tools for climate studies in data-sparse regions such as the Arctic. While modern reanalyses have been shown to perform reasonably well at reproducing Arctic climate, their ability to represent extreme precipitation events has not been investigated in depth. In this study, three of the most recent reanalyses, ERA-5, MERRA-2, and CFSR, are compared to surface precipitation observations in the Eastern Canadian Arctic and Greenland from 1980 to 2016 to assess how well they represent the most intense observed events. Overall, the reanalyses struggled to match observed accumulations from individual events (−0.11 ≤ r ≤ 0.47) but matched the observed seasonality of precipitation extremes. The region with the strongest match between observations and reanalyses was Southwest Greenland. Performance varies by event, and the best match between reanalyses and station observations may have a spatial/temporal offset (up to one grid cell or 1 day). The three products saw similar performance in general; however, ERA-5 tends to see slightly higher correlations and lower biases than MERRA-2 or CFSR. Considering the limitations of in situ observations, these results suggest that the reanalyses are capable of representing aggregate extreme precipitation (e.g., seasonal or annual time scales), but struggle to consistently match the timing and location of specific observed events.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».