XiaoMi-AI文件搜索系统
World File Search SystemHindcast
Hotssea V1：Salish Sea的基于NEMO的物理后广播（1980- 2018年）支持生态系统模型开发
摘要。div>十年级的海洋学，环境和生态变化已在萨利什海（Salish Sea）报道，这是东北太平洋地区的生态富有生产力的内陆海洋，支持数百万people的经济和文化。但是，存在与物理水性质有关的大量数据差距，使得很难评估趋势和物理海水性质之间的影响途径和海洋生态系统的生产力。为了解决这些差距，我们介绍了Salish Sea（Hotssea）V1的后标，这是一种使用核心用于欧洲海洋建模（NEMO）海洋发动机的3D物理海洋学模型，其时间覆盖为1980 - 2018年。我们使用了一种实验方法来逐步评估用于边界强制性大气和海洋重新分析产品的敏感性以及模型网格的Hor-Izontal离散化（〜1.5 km）。量化了从强迫继承的偏差，并发现在一个海洋边界上应用的简单温度偏置校正因子可实质上提高模型技能。盐度和温度的评估表明，在佐治亚州的海峡中表现最好。相对较大的偏见发生在近地表水域中，尤其是在模型网格的水平分辨率的托架狭窄的子域中。但是，我们证明该模型模拟了温度异常，并且在一般同意的观察结果一般同意的是，在整个水柱上具有世俗的变暖趋势。总体而言，尽管从强迫继承了偏见HOTSSEA V1在整个域的北部和中部部分观察到了稀疏的观测值。
APEC气候中心（APCC）-ESMO
下亚季节MME✓8S2S型号，具有2003-2015的常见后广播期间，“星期一至周日”的平均值（基于目标）✓基于MME预测日期（星期一）✓简单平均8型号具有相等权重
维多利亚时代海岸线长岸沉积物传输建模
澳大利亚东南部的WW3后广播模型是墨尔本大学开发的第三代浪潮模型，该模型解决了随机相光谱动作平衡方程。WW3的波形物理学包括ST6源术语包（风输入，白顶耗散，膨胀耗散和负风输入），非线性四倍波波波相互作用，JONSWAP底部摩擦和深度引起的波浪破裂。采用了高分辨率的非结构性网格（图1.1），该网格已通过澳大利亚东南部的三个波模型成功地采用（Liu等，2022a; Liu等，2022b; 2022b; Liu等，2023a; 2023a; Liu等人，Liu等，2023b）。WW3模型是由ERA5重新分析风驱动的，边界条件由Liu等人的全球波浪后广播提供。（2021）。该模型涵盖了1981年至2020年的时期。生成了域的10个集成波参数。请阅读Liu等。（2022a）和Liu等。（2023a）有关详细信息。
![arxiv：2502.00486v1 [cs.ce] 2025年2月1日](/simg/g:\will\search\icon\source\6\607920211e1a773fea6e3daecbcc0066edddd62f.webp)
arxiv：2502.00486v1 [cs.ce] 2025年2月1日
Abstract Hindcast or Wave Reanalysis Data Bases (WRDB) constitute a pow- erful source with respect to instrumental records for the design of offshore and coastal structures, since they offer important advantages for the statistical char- acterization of wave climate variables, such as continuous long time records of significant wave heights, mean and peak periods, etc.然而，重新分析数据不如仪器记录准确，这使得极端数据分析从易于预测设计回报周期值下降。本文提出了一个混合的极值（MEV）模型来处理最大值，以充分利用i）i）后播或波浪重新分析，ii）仪表记录，从而降低了其预测的不确定性。所产生的混合模型始终如一地合并了两种数据集给出的信息，并且可以应用于任何极值分析分布，例如GEV或Pareto-Poisson。使用合成生成和真实数据进行了说明，后者取自西班牙北部海岸的特定地点。
气候，生态系统和渔业倡议（CEFI）
●生态气候后果，预测和投影图●气候增强的库存评估●生态系统状况报告●生态系统状况报告●风险评估●适应评估●适应性评估●知情的管理策略评估●气候知情的气候知情人士必不可少Refugia Maps●临界点检测和风险●气候信息的目标和参考点●应急和紧急计划和响应●动态管理工具
季节性温度分布的十年可预测性
抽象的十年预测定期关注单个值的预测性，例如均值或极端。在这项研究中，我们研究了全球和欧洲尺度上完整的基础表面温度分布的预测技能。我们研究了Max Planck Institute地球系统模型decadal预测系统的初始化后广播模拟，并比较季节性每日温度的分布与估计气候和非传统历史模拟的估计。在分析中我们表明，初始化的预测系统在北大西洋地区具有优势，因此可以对整个温度频谱进行可靠的预测，以提前两到10年。我们还证明了初始化气候预测预测温度分布的能力取决于季节。
评估加利福尼亚当前系统的高分辨率大气和海洋模拟
本文是两者中的第一个，它提出了16年的主题解决方案，该解决方案是沿美国西部14海岸的加利福尼亚电流系统（CCS）的耦合物理学和生物地球化学模型，并验证有关平均，季节性，年间和15个季节性的季节性季节性季节性和较低度的物理解决方案。其伴侣论文是Deutsch等。16（2021a）。目的是构建和演示一种建模工具，该工具将用于17种机械解释，归属因果评估以及对18个循环和生物地球化学的未来进化的预测，并特别关注增加的海洋层构型 - 19 tion，脱氧，脱氧和酸性。CCS循环的良好解决的中尺度（DX = 4 km）模拟20是在1995年至2010年的16年后的21个时期的区域海洋建模系统中进行的。海洋解决方案由高分辨率22（DX = 6 km）的区域配置强迫天气和研究预测（WRF）大气23模型。这两个高分辨率的区域海洋和大气模拟都被横向开放的边界条件迫使24，从较大的域，更粗的父母仿真 - 25本身具有来自Mercator和气候预测的边界条件26 System System Reanalyses。我们在模拟的大气27强迫海洋和卫星测量的空间模式的强迫和暂时变化的强迫之间表现出了良好的一致性。然后用卫星和原位测量对模拟的海洋物理29领域进行评估。模拟再现30个气候上升前和跨近岸的等值斜率，31个平均电流模式（包括加利福尼亚潜流）以及季节性，年际，32和亚季节变异性的主要结构。它还显示了中尺度涡流活性与33海洋和大气之间的风能交换之间的一致性。最后，使用高频风强迫35的影响评估了天气风变异性对现实代表海洋36中尺度活动和年龄型惯性电流的重要性。37
基于机器学习的建模框架的转移性在沿海地区的最大河水深度
摘要。尽管使用机器学习（ML）模型来预测浮球，但尚未探索其用于未示例数据的可传递性。本文开发了一种基于ML的模型，用于在沿海流域的重大事件中最大程度地介绍最大河水深度，并评估其在其他事件（样本外）中的可传递性。该模型考虑了侵入因子的空间分布，这些因素解释了基本的物理过程，从而使最大的河水深度最大。我们的模型评估在美国东北部的六位数水文统一代码（HUC6）中显示，该模型在一个重大漏斗事件中，在116个河流仪表仪上令人满意的最大后播在116个河流仪表中，飓风IDA（r 2 of 0.94 of 0.94）。预先训练的，经过验证的模型已成功转移到其他三个主要的浮动事件，飓风以赛亚，桑迪和艾琳（r 2>0。70）。我们的结果表明，当由相关特征的空间分布，它们的相互作用以及沿海流域的基本物理过程的空间分布告知时，基于ML的模块可以转移最大河水深度。
支持
对审稿人的回应＃1：作者在过去六十年中使用CESM后广播模拟来识别全球上海水柱中的单一极端和复合极端。Requiring individual events to cover at least 50m oder the upper 300m, they analyze high temperature (MHW), high [H+] (OAX), and low-oxygen (LOX) extremes, as well as compound MHW-OAX, MHW-LOX, OAX- LOX, and MHW-OAX-LOX extremes (column single extremes (CSX) and column compound extremes (CCX), respectively).作者使用相对和绝对阈值来定义极端。他们分析了相对于固定基线（1950年代条件）以及相对于移动基线的发生的情况，在该基线的基线中，阈值的演变正在转移以考虑T，[H+]和[O2]中的趋势。在评估了基于观测的表面T和[H+]的模型模拟后，他们分析了固定基线下CSX和CCX发生的变化。依靠移动基线，分析了CCX特征的差异及其与ENSO变异性的共同发生，以及发生的空间模式和事件指标。最后，使用K均值聚类方法对CCX的深度结构进行分析。
![arxiv：2402.00059v1 [cs.lg] 2024年1月28日](/simg/g:\will\search\icon\source\d\df4199e81fd68f37b31a66ca712d83262d1423f7.webp)
arxiv：2402.00059v1 [cs.lg] 2024年1月28日
全球大气动力学的公里尺度建模可实现细粒度的天气预测，并降低了灾难性的天气和气候活动的风险。因此，建立公里尺度的全球预测模型是气象域中的持久追求。在过去的几十年中，已经做出了积极的国际努力，以改善数值天气模型的空间分辨率。尽管如此，由于大量消耗了计算资源，开发更高的分辨率数值模型仍然是一个长期的挑战。数据驱动的全球天气预测模型的最新进展利用重新分析数据进行模型培训，并且比数值模型表现出可比甚至更高的预测技能。但是，它们都受到重新分析数据的分辨率的限制，并且无法产生更高分辨率的预测。这项工作介绍了Fangwu-GHR，这是以0.09◦水平分辨率运行的第一个数据驱动的全球天气预测模型。Fengwu-GHR引入了一种新颖的方法，该方法通过从预处理的低分辨率模型中继承了先验知识，为基于ML的高分辨率预测打开了大门。2022年天气预测的后广播表明，风水GHR优于IFS-HRES。此外，对极端事件的施加观测和案例研究的评估支持了风口GHR在高分辨率下的竞争性操作预测技能。