DOI: https://doi.org/10.5194/gmd-19-1261-2026
تاريخ النشر: 2026-02-11
المؤلف: Eunkyo Seo وآخرون
الموضوع الرئيسي: تغير المناخ والنماذج
نظرة عامة
تدرس هذه الدراسة تأثير نظام الثلج متعدد الطبقات على التحيزات المناخية في أنظمة التنبؤ الموسمي، مع التركيز على قيود أنظمة الثلج التقليدية ذات الطبقة الواحدة التي تمثل تأثيرات العزل لطبقة الثلج بشكل غير كاف. تستخدم الأبحاث مجموعتين من تجارب نموذج سطح الأرض (LSM) غير المتصلة باستخدام JULES الإصدار 5.6، مقارنة بين نظام ذو طبقة واحدة وتكوين متعدد الطبقات. تشير النتائج إلى أن النظام متعدد الطبقات يعزز بشكل كبير محاكاة موسمية الثلج ويعكس بدقة بداية ذوبان الثلج، مما يؤدي إلى تحسين ذاكرة رطوبة التربة وتقسيم الطاقة إلى تدفق الحرارة الكامنة. وهذا في النهاية يقلل من تحيزات الاحترار القريبة من السطح ويعزز محاكاة الهطول فوق المناطق المغطاة بالثلوج.
تظهر التحليلات الإضافية لنظام التنبؤ الموسمي العالمي (GloSea) أن النظام متعدد الطبقات (G6 multi) يؤخر ذوبان الثلج بمقدار 1-2 أسبوع مقارنة بنظام الطبقة الواحدة (G6 single)، مما يؤثر على التفاعلات بين اليابسة والغلاف الجوي ويحسن دقة النموذج في محاكاة درجة الحرارة والهطول. تبرز الدراسة أنه بينما يحسن النظام متعدد الطبقات أداء النموذج، خاصة في المناطق ذات خطوط العرض المتوسطة، فإنه يؤكد أيضًا على ضرورة معالجة ديناميات الثلج في تطوير النموذج لضمان دقة التوقعات المناخية. تشير النتائج إلى أن تمثيل الثلج بشكل واقعي أمر حاسم لفهم عمليات سطح الأرض وآثارها على التنبؤ الموسمي، خاصة في سياق زيادة التباين بسبب تغير المناخ.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة للتنبؤات الفرعية إلى الموسمية (S2S) عبر عدة قطاعات، بما في ذلك الزراعة وإدارة الموارد المائية والطاقة والنقل والاستعداد للكوارث. هذه التنبؤات حاسمة لأنها تقدم رؤى قابلة للتنفيذ حول ظروف الطقس والمناخ على فترات تتراوح من أسابيع إلى أشهر. ترتبط فعالية التنبؤات S2S ارتباطًا وثيقًا بجودة الظروف الأولية وتقنيات دمج البيانات المستخدمة. تهدف هذه التقنيات إلى تحسين القيم وتقليل أخطاء التحليل من خلال دمج البيانات الملاحظة في النماذج الديناميكية، مما يعزز التحليلات العالمية (Seo et al., 2021; Kumar et al., 2022). يؤكد النص على الحاجة إلى حالات أولية دقيقة لمكونات مختلفة لتحسين دقة التنبؤ عبر مقاييس زمنية مختلفة.
طرق البحث
تستكشف منهجية هذه الدراسة تأثيرات نظام الثلج المحسن ضمن نظام التنبؤ الموسمي على سلوك الثلج وظروف الموسم الدافئ اللاحقة. تقارن التحليلات أداء نسختين من النموذج، G6 multi و G5 single، باستخدام تنبؤات رجعية لمدة 100 يوم بدأت من أكتوبر إلى أبريل على مدى 24 عامًا. بالنسبة للمقارنة بين G6 multi و G6 single، يتم استخدام تنبؤات رجعية لمدة 6 أشهر تبدأ في 1 مارس. يظهر تنفيذ نظام طبقة الثلج متعدد الطبقات أنه يؤثر على توقيت موسم ذوبان الثلج، مما يؤثر على توافر رطوبة التربة (SM) وتباينها خلال أشهر الربيع والصيف. تركز الدراسة على تحيز النموذج المناخي فيما يتعلق برطوبة السطح ودرجة حرارة الهواء والهطول خلال موسم الدفء في نصف الكرة الشمالي، مما يبرز أهمية التغذية الراجعة بين اليابسة والغلاف الجوي.
لتقييم الربط بين اليابسة والغلاف الجوي، تصنف الدراسة الأنظمة بناءً على قيود المياه والطاقة، التي تحددها تقسيم تدفقات الحرارة الحساسة والكامنة. يتم قياس قوة الربط بين اليابسة والغلاف الجوي من خلال الارتباط الزمني لتدفق الحرارة الكامنة مع رطوبة السطح والإشعاع الصافي. توفر هذه الارتباطات رؤى حول أداء النموذج في محاكاة عمليات الربط بين اليابسة، مع الإشارة R(SSMLH) إلى الحساسية لحالة اليابسة و R(RnLH) تعكس التحكم في الطاقة. يتم تقييم الأهمية الإحصائية للنتائج باستخدام اختبار t لستودنت واختبار t مصحح لمعدل الاكتشاف الخاطئ (FDR) لضمان القوة ضد الإيجابيات الكاذبة. بشكل عام، تهدف المنهجية إلى تقديم تقييم شامل لقدرة النموذج على محاكاة التفاعلات بين اليابسة والغلاف الجوي وتأثيرات تحسينات نظام الثلج على التنبؤات الموسمية.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى وجود أدلة قوية ضد الفرضية الصفرية.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسينات قابلة للقياس في المقاييس المستهدفة، مع حساب أحجام التأثير لت quantifying حجم هذه التغييرات. تمثل الرسوم البيانية، مثل المخططات والرسوم البيانية، الاتجاهات الملاحظة في البيانات، مما يعزز قوة النتائج. بشكل عام، توفر النتائج دعمًا قويًا للفرضيات المطروحة في الدراسة، مما يساهم برؤى قيمة في المعرفة الحالية في هذا المجال.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لرطوبة التربة (SM) والثلج في تعزيز دقة التنبؤات المناخية الفرعية. تبرز أن التهيئة الواقعية لسطح اليابسة، خاصة فيما يتعلق بـ SM، أمر ضروري لتحسين مهارة التنبؤ على فترات زمنية تتراوح من 1-2 شهر. تؤثر استمرارية SM بشكل كبير على التفاعلات بين اليابسة والغلاف الجوي، والتي تعتبر حاسمة لتوقع الأحداث المناخية المتطرفة. كما تشير الورقة إلى أن الخصائص الفريدة للثلج، مثل الانعكاسية العالية والعزل الحراري، يمكن أن تؤدي إلى تحيزات كبيرة في محاكاة درجات الحرارة إذا لم يتم تمثيلها بدقة في نماذج سطح الأرض (LSMs).
تنتقد الدراسة أنظمة الثلج ذات الطبقة الواحدة الحالية لقصورها في التقاط الديناميات المعقدة للثلج، داعية إلى اعتماد أنظمة الثلج متعددة الطبقات. تسمح هذه الأنظمة المتقدمة بتمثيل أكثر دقة لخصائص الثلج وتفاعلاته مع الغلاف الجوي، مما يحسن في النهاية محاكاة عمليات سطح الأرض. توضح الورقة التحليل المقارن بين تنفيذات الثلج ذات الطبقة الواحدة ومتعددة الطبقات في أنظمة التنبؤ GloSea5 و GloSea6، بهدف تقييم تأثيرها على التنبؤات المناخية الموسمية، خاصة في المناطق المتأثرة بالثلوج ذات خطوط العرض المتوسطة. تؤكد النتائج على ضرورة تحسين دقة النموذج في محاكاة التفاعلات بين اليابسة والغلاف الجوي للتنبؤ بشكل أفضل بتغير المناخ والتقلبات.
DOI: https://doi.org/10.5194/gmd-19-1261-2026
Publication Date: 2026-02-11
Author(s): Eunkyo Seo et al.
Primary Topic: Climate variability and models
Overview
This study investigates the impact of a multi-layer snow scheme on climatological biases in seasonal forecast systems, specifically addressing the limitations of traditional single-layer snow schemes that inadequately represent the insulating effects of snowpack. The research employs two sets of offline land surface model (LSM) experiments using JULES version 5.6, comparing a single-layer scheme with a multi-layer configuration. Results indicate that the multi-layer scheme significantly enhances the simulation of snow seasonality and accurately captures the onset of snowmelt, leading to improved soil moisture memory and energy partitioning into latent heat flux. This ultimately mitigates near-surface warming biases and enhances precipitation simulation over snow-covered regions.
Further analysis of the Global Seasonal Forecast System (GloSea) reveals that the multi-layer scheme (G6 multi) delays snowmelt by 1-2 weeks compared to the single-layer scheme (G6 single), affecting land-atmosphere interactions and improving model fidelity in simulating temperature and precipitation. The study highlights that while the multi-layer scheme improves model performance, particularly in mid-latitude regions, it also emphasizes the necessity of addressing snow dynamics in model development to ensure accurate climate projections. The findings suggest that realistic snow representation is crucial for understanding land surface processes and their implications for seasonal forecasting, especially in the context of increasing variability due to climate change.
Introduction
The introduction highlights the growing importance of subseasonal-to-seasonal (S2S) forecasts across multiple sectors, including agriculture, water resource management, energy, transportation, and disaster preparedness. These forecasts are crucial as they offer actionable insights into weather and climate conditions over periods ranging from weeks to months. The effectiveness of S2S forecasting is closely linked to the quality of initial conditions and the data assimilation techniques employed. These techniques aim to optimize values and minimize analysis errors by integrating observational data into dynamical models, thereby enhancing global analyses (Seo et al., 2021; Kumar et al., 2022). The text emphasizes the need for accurate initial states of various components to improve forecast precision across different time scales.
Methods
The methodology of this study investigates the effects of an enhanced snow scheme within a seasonal forecast system on snow behavior and subsequent warm season conditions. The analysis compares the performance of two model versions, G6 multi and G5 single, using 100-day retrospective forecasts initiated from October to April over a 24-year period. For the G6 multi and G6 single comparison, 6-month retrospective forecasts starting on March 1 are employed. The implementation of a multi-layer snowpack scheme is shown to influence the timing of the snow melting season, thereby affecting soil moisture (SM) availability and variability during the spring and summer months. The study focuses on the model’s climatological bias regarding surface SM, air temperature, and precipitation during the Northern Hemisphere’s warm season, emphasizing the significance of land-atmosphere feedback.
To assess land-atmosphere coupling, the study categorizes regimes based on water and energy limitations, determined by the partitioning of sensible and latent heat fluxes. The strength of land-atmosphere coupling is quantified through the temporal correlation of latent heat flux with surface SM and net radiation. These correlations provide insights into the model’s performance in simulating land coupling processes, with R(SSMLH) indicating sensitivity to land state and R(RnLH) reflecting energy control. Statistical significance of the findings is evaluated using the Student’s t-test and a False Discovery Rate (FDR) corrected t-test to ensure robustness against false positives. Overall, the methodology aims to provide a comprehensive evaluation of the model’s ability to simulate land-atmosphere interactions and the impacts of snow scheme improvements on seasonal forecasts.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05, suggesting strong evidence against the null hypothesis.
Additionally, the results demonstrate that the intervention applied led to measurable improvements in the targeted metrics, with effect sizes calculated to quantify the magnitude of these changes. Graphical representations, such as plots and charts, further illustrate the trends observed in the data, reinforcing the robustness of the findings. Overall, the results provide compelling support for the hypotheses posited in the study, contributing valuable insights to the existing body of knowledge in the field.
Discussion
The discussion section of the research paper emphasizes the critical role of soil moisture (SM) and snow in enhancing the accuracy of subseasonal climate forecasts. It highlights that realistic land surface initialization, particularly concerning SM, is essential for improving forecast skill over time scales of 1-2 months. The persistence of SM significantly influences land-atmosphere interactions, which are crucial for predicting extreme climate events. The paper also notes that snow’s unique properties, such as high albedo and thermal insulation, can lead to substantial biases in temperature simulations if not accurately represented in land surface models (LSMs).
The study critiques existing single-layer snowpack schemes for their inadequacies in capturing the complex dynamics of snow, advocating for the adoption of multi-layer snow schemes. These advanced schemes allow for a more nuanced representation of snow characteristics and their interactions with the atmosphere, ultimately improving the simulation of land surface processes. The paper outlines the comparative analysis between single-layer and multi-layer snowpack implementations in the GloSea5 and GloSea6 forecast systems, aiming to assess their impact on seasonal climate predictions, particularly in snow-affected mid-latitude regions. The findings underscore the necessity for enhanced model fidelity in simulating land-atmosphere interactions to better predict climate variability and extremes.