Evaluation of <scp>ERA5</scp> precipitation and 10‐m wind speed associated with extratropical cyclones using station data over <scp>North America</scp>
Notice bibliographique
Résumé
Abstract While the ERA5 reanalysis is commonly utilized in climate studies on extratropical cyclones (ETCs), only a few studies have quantified its ability in the representation of ETCs over land. To address this gap, this study evaluates ERA5's skill in representing the ETC‐associated 10‐m wind speed and the precipitation in central and eastern North America during 2005–2019. Hourly data collected from ~3000 stations, amounting to around 420 million reports stored in the Integrated Surface Database, is used as reference. For the spatial‐averaged ETC properties, ERA5 shows a good skill for wind speed with normalized mean bias (NMB) of −0.7% and normalized root‐mean‐square error (NRMSE) of 14.3%, despite a tendency to overestimate low winds and underestimate high winds. The ERA5 skill is worse for precipitation than for wind speed with NMB of −10.4% and NRMSE of 56.5% and a strong tendency to underestimate high values. For both variables, the best and worst performance is found in DJF and JJA, respectively. Negative biases are often identified over regions with stronger precipitation/wind speeds, and a systematic underestimation of wind speed is found over the Rockies with complex topography. Compared to the averaged ETCs, ERA5's performance deteriorates for the top 5% extreme ETCs with a stronger tendency to underestimate both wind speed and precipitation (NMB of −10.2% and −22.6%, respectively). Furthermore, ERA5's skill is worse for local extreme values within ETCs than for spatial averages. Our results highlight some important limitations of the ERA5 reanalysis products for studies looking at the possible impacts of ETCs.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».