Dynamical Downscaling over the Gulf of St. Lawrence using the Canadian Regional Climate Model
Bibliographic record
Abstract
This study explores the problem of dynamical downscaling global climate model (GCM) simulations to finer resolution and compares the results with present climate reanalysis data. We use the Canadian Regional Climate Model (CRCM) to dynamically downscale outputs from the third generation Coupled Global Climate Model (CGCM3) for the Gulf of St. Lawrence and related coastal areas. The integration was performed for the 1970–99 tri-decadal period. Three methodologies were used: (DM-1) sea surface temperature (SST) fields and other fields from CGCM3 were used as drivers of the CRCM, (DM-2) CGCM3 SSTs were adjusted based on North American Regional Reanalysis (NARR) data to correct SST climate biases over the ocean, and (DM-3) CGCM3 SSTs were adjusted based on NARR data (as in (DM-2)) and longwave radiation was adjusted to remove biases in the CRCM's land surface temperature. The DM-1 methodology, using SSTs from CGCM3, gives surface temperature estimates that are too cold in summer and too warm in winter and underestimates 10 m winds in the summer. By comparison, the DM-2 and DM-3 methodologies produce more accurate estimates of marine winds and surface air temperature compared to the CGCM3 results, particularly in coastal areas. Differences among these methodologies are relatively minor at upper levels of the atmosphere. RÉSUMÉ [Traduit par la rédaction] Cette étude explore le problème de la réduction d’échelle dynamique des simulations du modèle climatique du globe (GCM) à de plus fines résolutions et compare les résultats aux données réanalysées du climat présent. Nous utilisons le modèle régional canadien du climat (CRCM) pour réduire dynamiquement l’échelle des sorties du modèle couplé climatique du globe (CGCM3) pour le golfe du Saint-Laurent et les régions côtières avoisinantes. Nous avons effectué l'intégration pour les trois décennies de la période 1970–1999. Nous avons utilisé trois méthodologies : (DM-1) nous avons utilisé les champs de température de la surface de la mer et d'autres champs du CGCM3 pour piloter le CRCM; (DM-2) nous avons ajusté les températures de surface de la mer du CGCM3 en fonction des données NARR (North American Regional Reanalysis) pour corriger les biais climatiques au-dessus de l'océan; et (DM-3) nous avons ajusté les températures de surface de la mer du CGCM3 en fonction des données NARR — comme dans (DM-2) — et nous avons ajusté le rayonnement de grandes longueurs d'onde pour enlever les biais dans les températures de surface de la terre du CRCM. La méthodologie DM-1, qui utilise les températures de surface de la mer du CGCM3, donne des estimations de température de surface qui sont trop basses en été et trop élevées en hiver et sous-estime le vent à 10 m en été. Par contre, les méthodologies DM-2 et DM-3 produisent des estimations plus précises des vents marins et des températures de l'air en surface par comparaison aux résultats du CGCM3, en particulier dans les régions côtières. Les différences entre ces méthodologies sont relativement faibles dans les niveaux supérieurs de l'atmosphère.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".