Assessing the Surface Downward Longwave Irradiance Models Using ERA5 Input Data in Canada
Notice bibliographique
Résumé
Abstract Longwave radiation (LR) is one of the energy balance components responsible for warming and cooling water during hot summers. Both downward incoming LR, emitted by the atmosphere, and outgoing LR emitted by the land surface are not widely measured. The influence of clouds on the LR heat budget makes it even harder to establish reliable formulations for all-sky conditions. This paper uses air temperature and cloud cover from the ERA5 reanalysis database to compare 20 models for the downward longwave irradiance (DLI) at Earth’s surface and compare them with ERA5’s DLI product. Our work uses long-time continuous DLI measured data at three stations over Canada, and ERA5 reanalysis, a reliable source for data-scarce regions, such as central British Columbia (Canada). The results show the feasibility of the local calibration of different formulations using ERA5 reanalysis data for all-sky conditions with RMSE metrics ranging from 37.1 to 267.3 W m−2, which is comparable with ERA5 reanalysis data and can easily be applied at broader scales by implementing it into hydrological models. Moreover, it is shown that ERA5 gridded data for DLI shows the best results with RMSE = 31.7 W m−2. This higher performance suggests using ERA5 data directly as input data for hydrological and ecological models.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».