Evaluation of reanalysis data and dynamical downscaling for surface energy balance modeling at mountain glaciers in western Canada
Notice bibliographique
Résumé
Abstract. Regional-scale surface energy balance (SEB) models of glacier melt require forcing by coarse-gridded data from reanalysis or global climate models that need to be downscaled to glacier scale. As on-glacier meteorological observations are rare, it generally remains unknown how exact the reanalysis and downscaled data are for local-scale SEB modeling. We address this question by evaluating the performance of reanalysis from the European Centre for Medium-Range Weather Forecasts (ERA5 and ERA5-Land reanalysis), with and without downscaling, at four glaciers in western Canada with available on-glacier meteorological measurements collected over different summer seasons. We dynamically downscale ERA5 with the Weather Research and Forecasting (WRF) model at 3.3 and 1.1 km grid spacing. We find that our SEB model, forced separately with the observations and the two reanalyses, yields less than 10 % difference in simulated total melt energy and shows strong correlations (0.86) in simulated time series of daily melt energy at each site. The good performance of the reanalysis-derived melt energy is partly due to cancellation of biases between overestimated incoming shortwave radiation and substantially underestimated wind speed and subsequently turbulent heat fluxes. Downscaling with WRF improves the simulation of wind speed, while other meteorological variables show similar performance to ERA5 without downscaling. The choice of WRF physics parameterization schemes is shown to have a relatively large impact on the simulations of SEB components but a smaller impact on the modeled total melt energy. The results increase our confidence in dynamical downscaling with WRF for long-term glacier melt modeling in this region.
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 | 0,001 | 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) | 0,000 | 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 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 ».