Evaluation of the convection permitting regional climate model CNRM-AROME on the orographically complex island of Corsica
Notice bibliographique
Résumé
Abstract Meteorological processes over islands with complex orography could be better simulated by Convection Permitting Regional Climate Models (CP-RCMs) thanks to an improved representation of the orography, land–sea contrasts, the combination of coastal and orographic effects, and explicit deep convection. This paper evaluates the ability of the CP-RCM CNRM-AROME (2.5-km horizontal resolution) to simulate relevant meteorological characteristics of the Mediterranean island of Corsica for the 2000–2018 period. These hindcast simulations are compared to their driving Regional Climate Model (RCM) CNRM-ALADIN (12.5-km horizontal resolution and parameterised convection), weather stations for precipitation and wind and gridded precipitation datasets. The main benefits are found in the representation of (i) precipitation extremes resulting mainly from mesoscale convective systems affected by steep mountains during autumn and (ii) the formation of convection through thermally induced diurnal circulations and their interaction with the orography during summer. Simulations of hourly precipitation extremes, the diurnal cycle of precipitation, the distribution of precipitation intensities, the duration of precipitation events, and sea breezes are all improved in the 2.5-km simulations with respect to the RCM, confirming an added value. However, existing differences between model simulations and observations are difficult to explain as the main biases are related to the availability and quality of observations, particularly at high elevations. Overall, better results from the 2.5-km resolution, increase our confidence in CP-RCMs to investigate future climate projections for Corsica and islands with complex terrain.
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 | 0,003 | 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 | 0,001 |
| 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 ».