To the Origin of a Wintertime Screen-Level Temperature Bias at High Altitude in a Kilometric NWP Model
Notice bibliographique
Résumé
Abstract High-resolution numerical weather prediction (NWP) systems present a strong potential to provide meteorological information in alpine terrain for diverse applications. However, they still suffer from biases highly detrimental for practical purposes. In this study, we investigate the origin of a significant wintertime screen-level temperature bias in forecasts of the AROME-France NWP system in high-altitude, snow-covered alpine terrain. For this purpose, a thorough set of meteorological and snow observations from two high-altitude instrumental sites is used. Targeted numerical simulations are carried out to disentangle the contributions to this bias coming from atmospheric fields, from the snow scheme, and from the coupling between the snowpack and the atmosphere. At both sites, the wind speed and incoming longwave radiation appear significantly negatively biased in AROME in the winter season. Using targeted offline simulations, we show that the simulation errors in these screen-level fields contribute to an average of 67% of the screen-level temperature bias of AROME, while the contribution of errors in the incoming shortwave radiation is negligible. Additionally, the screen-level temperature of AROME is not majorly impacted by changes in the complexity and especially the vertical layering of the snow model. However, it appears particularly sensitive to the parameterization of turbulent fluxes in stable conditions. Evidence suggest that these findings could at least partially be generalized to the whole AROME-France alpine domain. Hence, reducing the high-altitude, winter screen-level temperature bias in AROME may in great part proceed from improving the simulation of atmospheric fields and eliminating some bias compensations in the model.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».